リザーバーコンピューティングでは多くの機械学習手法とは異なり、訓練データに存在しない特性、たとえば力学系基本的な構造である不動点などが機械学習モデルに見いだせることを課題代表者らは明らかにしてきた。また、機械学習モデルの力学系理論に基づく解析を実施して、各種不変集合や不変多様体の再現性を調べ、不動点やその固有値、周期軌道などの再現性を確認した。これらの研究を進めていく中で、高次元のニューラルネットワークを用いるリザーバーコンピューティングにおいて、実質的に有効な次元はごく一部に限られていることがわかってきた。そこで、本研究課題では実質的に有効な次元をもつ部分空間に制限したうえで力学系解析を行い、その部分空間に訓練データの力学系構造が再現されることを明らかにする。そのために、予測誤差の拡大率（不安定性）や縮小率（安定性）を表す指標であるリアプノフスペクトルに着目した解析を実施する。