伴隨著人工智能和物聯網技術的突飛猛進，電子設備產生的海量數據中，含有時空信息的數據如雨后春筍般涌現。其中，神經網絡展現出了處理這類數據的顯著優勢。然而，由于RNN龐大的內部連接及梯度消失或爆炸問題，使其面臨著訓練困難以及硬件代價高等諸多難題。

而備受關注的后起之秀——儲備池計算，它通過采用簡單清晰的非線性儲備池來替換繁復的循環鏈接結構，大幅度削減了訓練和執行成本。如今，這種算法已經廣泛應用于動作模式識別、語音識別、氣象預測等多個領域。然而，儲備池的時間特性對系統性能的影響非常顯著且高度任務相關，這就要求我們必須針對具體任務進行微調。

令人遺憾的是，現有的軟件儲備池大多將物理儲備池視為“黑箱”，特性完全依賴制造過程，缺乏適應性。這使得大部分報告的儲備池系統只擅長處理與特定器件時間尺度匹配的任務，極大地制約了其實踐效果。

為了解決這個關鍵問題，北京大學集成電路學院/集成電路高精尖創新中心的科研團隊獨辟蹊徑，首次提出了一種閉環儲備池架構，該架構可以根據實時輸出結果自動調整儲備池參數，從而靈活應對各種時間特性的輸入信號。

在此基礎上，他們研發出一種具有電學可控時間行為特性的薄膜晶體管。科學家們還構建了一個能獲取多尺度時間信息的時間適應儲備池計算系統。該系統的設計實驗不僅展示了包括人物動作識別、物體變速度運動方向檢測等多種功能，而且為了驗證新架構的有效性，團隊通過對比實驗，充分論證了系統在處理復雜時序信號方面的強大實力，不僅人物動作識別的準確率從原來的84.2%大幅飆升到96.7%，而且物體變速度運動方向檢測的準確率也從78.8%提升至94.7%。

這項研究無疑為硬件儲備池計算系統處理復雜時空信號提供了嶄新的解決方案，也為在邊緣端實踐高效、實時的物聯網信息處理鋪平道路。