リザーバーコンピューティングは、固定された再帰的ダイナミクスを活用して線形読み出し層のみを訓練することで、効率的な時系列学習を実現する手法として知られています。しかし従来のリザーバーは、信号混合、記憶保持、安定性といった複数の機能を単一のランダムな再帰行列内に集約しており、これが設計の柔軟性を制限していました。本研究では、リンドブラッド方程式に着想を得た新しいアプローチを提案しています。このアプローチは、開放系の動力学原理を構造化された状態空間モデリングと融合させた古典的なフレームワークです。 提案手法の核となるのは、再帰演算子を正確に離散化された減衰回転モードから組立てる設計です。この方法により、回転と減衰が独立した設計変数として機能し、位相混合とメモリ損失をそれぞれ個別に制御できるようになります。直交モード混合は規範性を保持し、減衰スペクトルはエコー状態ネットワークの安定性マージンを直接決定します。従来のスペクトル半径のスケーリング調整が不要になる点が大きな利点です。 評価実験では、標準的なリザーバー、リーキーリザーバー、深いリザーバー、直交リザーバー、サイクルリザーバー、次世代リザーバーといった既存手法と、訓練されたゲート付き再帰ユニット（GRU）を、線形記憶、非線形再帰、カオス予測、遅延ロジック、実センサーキャリブレーションといった5つの異なるベンチマークタスクで比較しました。提案手法は固定リザーバーの性能でNARMA-20タスクにおいて最高を達成し、Lorenz-63における平均誤差は最小値を記録しています。 アブレーション研究を通じて、回転が状態多様性を増加させ、散逸が制御された忘却を提供して予測条件性を改善することが確認されました。本研究で提案されたフレームワークは、混合、記憶、安定性が明示的かつ独立して調整可能な設計変数である解釈可能な再帰型アーキテクチャを提供します。