各種形式的模式識別，特別是機器學習，已經被廣泛應用于各種現代技術。通過發現數據中的模式，機器學習能夠將此類模式轉變為可理解的信息，比如，識別自動駕駛汽車行進路徑上的物體，或者識別入侵者的熱特征等。

以與機器學習類似的方式，一種名為“儲備池計算"（reservoir computing）的新興框架可用于從數據中學習模式。此種計算形式的關鍵是采用一個復雜的系統，通過該系統對信息進行重復計算。這一切可通過一種循環神經網絡（RNN）來完成，該網絡采用動力系統或“儲備池"來執行模式識別任務。

不過，傳統的RNN由大量獨立、相互連接的節點或具有多個參數的神經元構成，會導致此類系統笨拙、難以訓練，甚至會導致高能量消耗，從而阻礙應用。儲備池計算則通過隨機選擇參數以及只訓練輸出節點來簡化這一點，極大地降低復雜性。

最近的研究已經轉向采用能夠執行模式識別任務的物理基礎，來進行儲備池計算。只要此類材料足夠復雜、非線性（輸入的變化不一定與輸出的變化相同），并且具有漸漸減弱的記憶特性，即該系統隨著時間的推移，回憶過去輸入的信號的能力逐漸減弱，其就能夠發揮儲備池的作用。