Naukowcy opracowali innowacyjną architekturę fizycznych sieci neuronowych, w których funkcje nieliniowe zostały umieszczone bezpośrednio na połączeniach między neuronami zamiast jedynie na ich wyjściach. To podejście, inspirowane sieciami Kołmogorowa-Arnolda, pozwala na bardziej efektywne reprezentowanie problemów z ciągłymi wartościami wyjściowymi. Sieć została zrealizowana za pomocą analogue'owych filtrów pasmowych na programowalnych matrycach analogue'owych (FPAA), co jest kluczowe dla osiągnięcia bardzo niskiego poboru energii.
Zaletą tego rozwiązania jest drastyczne zmniejszenie liczby wymaganych węzłów i połączeń w porównaniu do tradycyjnych wielowarstwowych sieci percepton, szczególnie w zadaniach wymagających reprezentacji gładkich, ciągłych funkcji. Badania wykazały efektywność sieci w kontroli robotów, kinematyce manipulatorów oraz śledzeniu maksymalnego punktu pracy systemów fotowoltaicznych. Jednak architektura nie wykazuje przewagi w prostszych zadaniach klasyfikacji decyzji z ostrymi granicami. Natomiast przepowiadane jest, że dedykowana implementacja w technologii CMOS mogłaby pracować przy zaledwie około 30 mikrowatach mocy, co stanowi potencjalny przełom dla inteligentnych systemów wbudowanych.
Uczeni pomyślnie przenieśli wytrenowane sieci na rzeczywisty sprzęt z około 35 000 połączeniami, zachowując dokładność. Symulacyjne realizacje wykorzystujące memristory potwierdzają, że korzyści pochodzą z umieszczenia uczalności na połączeniach, a nie z konkretnej technologii urządzenia. To sugeruje szeroki potencjał podejścia dla różnych fizycznych implementacji sieci neuronowych o ultra-niskim poborze energii.