我对"储层计算世界"很陌生，我听说液体状态机（LSM）是某种尖峰神经元网络模型（SNN）。两者在执行方面究竟有什么不同。
我需要澄清的另一个方面是关于它们的对应物，回声状态网络（ESN）的Leaky积分器模型。我从论坛上的另一个答案中发现，"在我看来（我可能错了），这两种方法之间的最大区别是单个单元。在液态机器中使用类似生物的神经元，而在回声状态中使用更多的模拟单元。因此，就"非常短期记忆"而言，液态方法中每个神经元都会记住自己的历史，在回声状态方法中，每个神经元只根据当前状态做出反应，存储在单元之间活动中的记忆。
请告诉我这是否正确，如果不正确，它们背后的实际概念是什么。
Spiking神经元是神经元模型。另一方面，LSM是网络模型。因此，LSM是一组具有尖峰神经元的网络模型的一部分（也称为分级反应或模拟）。ESN具有与正常感知器相同的单元，因此是另一种（更流行的）范式的一部分，在这种范式中，神经元在每个传播周期都会激发。这是一个非常简单的介绍。其基本思想是不将神经元视为二进制/数字（开/关），而是通过解码尖峰之间的时间来模拟神经元，这现在被认为是神经元之间信息传输的主要来源。人类大脑究竟是模拟的还是数字的尚不清楚，但有证据表明两者以及真正的机制都是完全不同的。因此，一个模型是否真的更现实，还不能确定。
我也是这个领域的新手，液态机器：考虑一磅水，当你把鹅卵石扔进去时会发生什么。一系列同心圆会产生，最终消失，如果你观察波纹相交的位置，你可以了解到这些鹅卵石何时何地落入水中，在回声状态机的情况下，这个想法类似于回声中的声波，相互干扰，类似于多个输入相互干扰的方式，它们也是高阶内相互干扰的过去实例维度网络