تعتبر شبكات الحالة الصوتية (Echo State Networks - ESNs) إطارًا فعالًا للتنبؤ الزمني، ولكن الخزانات المهيأة بصورة عشوائية غالبًا ما تكون مفرطة في المعلمات وحافلة بالديناميكيات غير الضرورية. تتعلق معظم طرق التقليم الحالية بالاتصال الثابت أو إحصائيات التنشيط، وهذا قد يتسبب في تجاهل العصبونات التي تلعب دورًا أساسيًا في تشكيل الانتقالات الزمنية المدفوعة بالمدخلات. في هذا السياق، نقدم طريقة جديدة تُسمى "تقليم الوضع الديناميكي (Dynamical Mode Pruning - DMP)"، والتي تعتمد على تقييم تأثير العصبونات من خلال مساهمتها في الأوضاع الانتقالية السائدة المستخلصة من مصفوفة جاكوبيان المتوسطة على طول المسار.

تقوم DMP بإزالة الوحدات ذات التأثير المنخفض وإعادة تدريب فقط الجزء القارئ. تظهر التجارب على معايير الزمن الفوضوي والحقيقي أن DMP تحسن أو تحافظ على دقة التنبؤ مع تقليل مكونات الخزان الزائدة. تشير نتائجنا إلى أن التأثير الديناميكي يُعد معيارًا مفيدًا لتحسين الخزان، يتجاوز أهمية الهيكل الثابت فحسب.