Reservoir Computing (RC) ist eine effiziente Methode des maschinellen Lernens für die zeitliche/sequenzielle Datenverarbeitung. RC verwendet eine nichtlineare Darstellung der Eingabedaten in einem hochdimensionalen Raum, der als Reservoir bezeichnet wird. Kürzlich konnte gezeigt werden, dass diese Methode Ähnlichkeiten mit der nichtlinearen Vektor-Autoregression aufweist, die kein hochdimensionales Reservoir benötigt und daher mit einer geringeren Anzahl von Komponenten implementiert werden kann und zudem interpretierbare Ergebnisse liefert. Das Next Generation Reservoir Computing (NGRC) Konzept kombiniert diese Ansätze und verspricht extrem effiziente neuromorphe Schaltkreisimplementierungen. Das Ziel des Projektes REservoir COMputing with MEmristor Nonlinear Dynamics: Theory, Design and Applications (RECOMMEND) ist es, auf der Hardware- und Modellebene ein rekonfigurierbares, energieeffizientes neuromorphes Rechensystem zu realisieren, indem unter Verwendung von theoretischen Grundlagen ein Hardware-Prototyp einer vielseitigen RC-Plattform entwickelt wird basierend auf 1) einer niedrigdimensionalen nichtlinearen dynamischen Reservoir-Schaltung mit Memristoren als nichtlineare, abstimmbare, dynamische Elemente. 2) Rechen-/Speicherelementen, die eine speicherinterne Vektor-Matrix-Multiplikation (VMM) in einem Schritt ermöglichen. 3) einer überwachten Steuerschaltung, die Multitasking und korrekte Funktionalität unter zeitlich veränderlichen Bedingungen ermöglicht. Hardware-Versionen von Memristoren, die eine elektrisch induzierte Widerstandsänderung aufweisen, werden zusammen mit skalierbaren elektronischen Komponenten (Widerstände, Kondensatoren) den analogen Kern der RC-Plattform bilden. Unter Verwendung schaltungs- und systemtheoretischer Prinzipien (Flux-Charge-Analyse und Volterra-Methoden) wird die resultierende abstimmbare nichtlineare Dynamik der Bauelemente genutzt, um die Eingangsdaten in einen geeigneten Vektor nichtlinearer Elemente abzubilden und so die Ausgangsschicht des Netzwerkes zu steuern für die Vorhersage von Zeitreihen und die Lösung von Optimierungsproblemen. Die Forschungsarbeiten werden an der Schnittstelle mehrerer sich ergänzender technischer Bereiche durchgeführt, darunter Materialwissenschaft, Bauelementephysik sowie schaltungs- und systemtheoretische Modellierung, einschließlich analytischer Methoden zur Unterstützung des Schaltungsentwurfs, Analyse nichtlinearer dynamischer Merkmale nichtautonomer Schaltungen bis hin zur Entwicklung mathematischer Werkzeuge und Algorithmen. Das Ziel unseres multidisziplinären Konsortiums ist es damit einen radikalen Paradigmenwechsel in der Informationsverarbeitung hin zu energieeffizienten, robusten und skalierbaren RC-Plattformen mit Memristoren zu ermöglichen, die die Lücke zwischen statistischen Lernmethoden und maschinellem Lernen schließen.