「動態重塑的藝術：回聲狀態網絡中的 AFRICO 自適應機制 」類腦運算的優化 - ESN 的 feedback framework
前言： 儲層式運算（RC, Reaervoir Computing），近期隨著 NeuronAI 興起又逐漸被提起的關鍵字。它主要的原理是隨機生成的儲存池（Reservoir）丟入高維空間，僅憑一個簡單的線性讀出層（Readout）試圖模擬複雜系統的動力學，這在傳統的回聲狀態網絡（ESN）研究中，總帶有一種「聽天由命」的隨機美感（換句話來說就是缺乏可解釋性）。然而，對於追求精確刻畫神經系統非線性特性的研究者而言，這種方法往往顯得過於被動 。傳統的 ESN 依賴於隨機初始化的權重矩陣，若初始的特徵值分佈（Eigenspectrum）不理想，網絡捕捉長程時間依賴性的能力便會大幅受限 。這就像是試圖用一架沒調準音弦的鋼琴彈奏奏鳴曲，無論演奏者（讀出層）如何努力，也難以補償琴弦本身的物理侷限。 但這篇來自 2026 發表至 Nature Scientific Reports 的論文《Adaptive state-feedback echo state networks for temporal sequence learning 》對儲備池計算（Reservoir Computing）做了架構上的延伸，提供 RC 與非線性系統領域一些新的見解。 研究動機： 在神經科學與控制理論的交界處，研究者們長期面臨著一個瓶頸：如何在保持 ESN 計算效率（即無需像傳統 RNN 那樣進行耗時的隨時反向傳播）的同時，賦予其更強的結構適應性 。過往的改進方案，如 FORCE 算法，雖然引入了固定權重的輸出反饋來穩定動力學，但這種方式本質上仍是在既定的隱藏空間內打轉 。固定權重限制了網絡對內部狀態演化過程的直接調製，導致在面對高度非線性或具有特定時域結構的訊號（如果蠅感光受器的神經電生理記錄）時，模型往往會出現顯著的預測偏差 。為了解決這一侷限，Lupascu 與 Coca 提出的 AFRICO 框架展現了一種更具主動性的設計思維( FORCE 與AFRICO 架構比較見圖1)。該框架的核心突破在於，它不再將輸入路徑與反饋路徑視為「不可更改」的硬體，而是利用擴展卡爾曼濾波（Extended Kalman Filter, EKF）對輸入權重與狀態反饋權重進行聯合自適應調整 。這種機制在直覺上極為優雅：EKF 將網絡狀態與待估參數合併為一個增廣向量，通過局部線性化與誤差共變異矩陣的傳遞，實時重塑儲...
