Introduction:L’article « Next generation reservoir computing » est un article récent publié en 21 septembre 2021 dans le journal à accès libre « Nature communication ». Il a pour référence et identifiant sont  Nat Commun 12, 5564 (2021) ; DOI: 10.1038/s41467-021-25801-2. Les contributeurs de cet article sont :Daniel J. Gauthier: Un professeur de physique à l’Université d’État de l’Ohio, aux États-Unis. Il a  aussi contribué en plus de 200 articles dans différents domaines scientifiques.Erik Bollt:  Un professeur au sein de l’université de Clarkson aux États-Unis, Département d’ingénierie électrique et informatique. Aussi c’est le directeur du centre de science des systèmes complexe du Clarkson, Il est contributeur dans plus de 200 articles scientifiques.Aaron Griffith: Lauréat de l’Université d’état de l’Ohio, aux États-Unis. Ses 3 d'autres contributions dans la recherche traitent aussi le réservoir computing. Wendson A. S. Barbosa: Un chercheur au sein du département de physique à Université d’État de l’Ohio, aux États-Unis, il est contributeur dans 4 autres articles dont un est aussi sur le réservoir computing.Par ce présent rapport nous allons en premier temps discuter le contexte de cet article et son positionnement par rapport à l’existant. Après nous allons voir les contributions apportées par les auteurs et qu'est-ce qu'ils ont trouvé comme résultats après leur recherche.Contexte de l'articleLe contexte de cet article est la prédiction des systèmes dynamiques. Un système dynamique est un système qui évolue au cours du temps. Nous cherchons toujours à prévoir cette évolution afin de savoir le comportement futur du système en se basant sur ses états précédemment observés. Comme exemple : la prédiction du système météorologique de la terre. Les méthodes et les  approches récentes du Machine learning nous génèrent des modèles à travers lesquels nous obtenons ces prévisions.Le paradigme du ML (Machine learning) le plus adapté à ce type de système est le Réservoir  Computing¬ RC. Il traite les données chronologiques observées et nous donne une estimation d’état futur, même dans les systèmes les plus complexes et difficiles. Ici  dans cet article l'auteur lance la nouvelle génération de ce Réservoir Computing.Positionnement par rapport à l'existant Le Réservoir Computing traditionnel est basé sur le réseau neuronal récurrent dont les neurones sont interconnectés. Il est efficace dans la prévision des systèmes dynamiques, sa force vient de son pouvoir calculer et se prêter très bien la descente du gradient ce qui permet d'ajuster les paramètres de ses neurones pour mieux expliquer les données. La figure suivante montre la prédiction du Réservoir computing traditionnel appliquée sur le cas de lorenz en temps discret.