リザバーコンピューティング（エコーステートネットワーク）は、ランダム結合のリカレントニューラルネットワーク（リザバー）の出力層（リードアウト）の重みのみを学習により調節するモデルです。学習パラメータが比較的少数であるため、少ない訓練データ数と低い学習コストで時系列学習を実現できます。我々はこのリザバーコンピューティングの枠組みで脳の機能を計算論モデル化し、そのはたらきを明らかにする研究を行っています。
小脳リザバー仮説においては、小脳皮質の顆粒細胞とゴルジ細胞が作るネットワークをリザバー、プルキンエ細胞の可塑性がリードアウトの学習に対応すると考えられています。我々は、そのような小脳モデルを用いたロボット制御システムを開発したり [1]、海馬から小脳へのシータ波入力を仮定した振動駆動リザバーコンピューティング [2] を研究したりしています。また、一般には，ランダムに固定するリザバーネットワークに、ヒトの脳のネットワーク（コネクトーム）を導入することで、非ランダムな脳の結合がどのように計算や学習に貢献するのかを検討しています [3]。
[1] Yuji Kawai, Hiroshi Atsuta, and Minoru Asada, Adaptive robot control using modular reservoir computing to minimize multimodal errors, In Proceedings of the 2024 International Joint Conference on Neural Networks, July, 2024.
[2] Yuji Kawai, Takashi Morita, Jihoon Park, and Minoru Asada, Oscillations enhance time-series prediction in reservoir computing with feedback, Neurocomputing, Vol. 648, 130728, 2025.
[3] Yuji Kawai, Jihoon Park, and Minoru Asada, A small-world topology enhances the echo state property and signal propagation in reservoir computing, Neural Networks, Vol. 112, pp. 15-23, 2019.