ParalESN：在储馈网络中实现并行信息处理

储馈计算(Reservoir Computing, RC)已自行成为处理时序数据的高效范式。然而，其可扩展性严重受限于:(i) 必须顺序处理时序数据，以及(ii) 高维储馈的昂贵内存占用。在本工作中，我们通过结构化算子和状态空间建模的视角重新审视RC，以解决上述限制，提出Parallel Echo State Network(ParalESN)。ParalESN enables the construction of high-dimensional and efficient reservoirs based on complex空间中的对角线性递推，从而实现时序数据的并行处理。我们提供的理论分析表明，ParalESN保留了传统储馈网络的Echo State Property和普适性保证，同时允许任意线性储馈以复杂对角形式等价表示。实验上，ParalESN在时间序列基准任务上匹配传统RC的预测精度，同时实现显著的计算节省。在1维像素级分类任务中，ParalESN在保持竞争性精度的同时，将计算成本和能源消耗降低几个数量级。总体而言，ParalESN为将RC集成到深度学习领域提供了一条前景明确、可扩展且原则明确的路径。