各种形式的模式识别，特别是机器学习，已经被广泛应用于各种现代技术。通过发现数据中的模式，机器学习能够将此类模式转变为可理解的信息，比如，识别自动驾驶汽车行进路径上的物体，或者识别入侵者的热特征等。

以与机器学习类似的方式，一种名为“储备池计算”（reservoir computing）的新兴框架可用于从数据中学习模式。此种计算形式的关键是采用一个复杂的系统，通过该系统对信息进行重复计算。这一切可通过一种循环神经网络（RNN）来完成，该网络采用动力系统或“储备池”来执行模式识别任务。

不过，传统的RNN由大量独立、相互连接的节点或具有多个参数的神经元构成，会导致此类系统笨拙、难以训练，甚至会导致高能量消耗，从而阻碍应用。储备池计算则通过随机选择参数以及只训练输出节点来简化这一点，极大地降低复杂性。

最近的研究已经转向采用能够执行模式识别任务的物理基础，来进行储备池计算。只要此类材料足够复杂、非线性（输入的变化不一定与输出的变化相同），并且具有渐渐减弱的记忆特性，即该系统随着时间的推移，回忆过去输入的信号的能力逐渐减弱，其就能够发挥储备池的作用。