1．は　じ　め　に

　機械学習（ML: Machine Learning）では入力と出力の関係が不明なものに対して，その関係を汎化する関数を得るために，学習機における変更可能なパラメータの調整を行う．この学習機はコンピュータ上で扱いやすく，できるだけ広い豊富な表現能力を有することが望まれる．そのため，近年のML研究では非線形変換を伴う人工ニューラルネットワーク（NN: Neural Network）を深層化することでより複雑な変換を達成する．一般に，人工NNはノイマン形コンピュータ上で実装されているが，人間の脳の計算能力に近づくことを目指す非ノイマン形のニューロインスパイアードコンピューティング分野から近年，多大な期待が集まっている．背景にあるのは脳のようにエネルギー効率の良い情報処理デバイスを構築することである．そのため，物理基板の設計に直接脳における計算の動作原理を結び付けようとするニューロモーフィックデバイスの開発の試みが盛んに行われている^(1),(2)．

　そうしたMLの分野と非ノイマン形の情報処理手法の融合を実現する一つの有力なアプローチがリザバーコンピューティング（RC: Reservoir Computing）である^(3)～(5)．RCは脳の情報処理方法にヒントを得たリカレントNNの学習法の一種であり，入力によって駆動されるリザバーと呼ばれる高次元の力学系で構成される．リザバーは減衰記憶特性を持つ過渡的なダイナミクスを生成し，非線形処理を行うことができる⁽⁶⁾．この方式は複雑な時間構造を持つリアルタイム情報処理に利用できるため，記憶を必要とするML問題に適している．従来のRCはコンピュータ上で実装され，例えば，内部の結合をランダムに固定した人工NN（Echo State Network, ESN)⁽⁷⁾（図1(a)）やスパイキングNN（LSM: Liquid State Machine)⁽⁴⁾などがある．更に，非線形性を持った大自由度力学系であればリザバーの物理実装の候補として挙げられる．これらの実装は物理リザバーコンピューティング（PRC: Physical Reservoir Computing）の分野で研究され，例えば，水面のダイナミクス，フォトニクス，スピントロニクス，ニューロモルフィックチップに構造化されたナノマテリアルなどが物理リザバーとして提案されている⁽⁸⁾．