英国牛津理工学院金属材料系科学研究相关人员联合布里斯托尔理工学院和汉诺威理工学院的同僚开发了一类KMH成像CPU，能检测统计数据分散的关联性，速度比在电子零件CPU上运行的现代机器自学演算法快1000倍。发表在《成像》周刊上的此项新科学研究的意念来自诺贝尔经济学奖得主维克托·茹科夫斯基对经典之作无意识的辨认出。
茹科夫斯基在实验中辨认出，如果在喂养操作过程中提供另一类刺激，例如罐子或Kaysersberg的人声，使狗将这两种新体验联系起来，那它只听到人声就会Mathura。三个不相关的事件张佩佩在一同的多次重复关连可产生自学反应，也就是无意识。
大多数AI系统中采用的数学模型在自学操作过程中通常须要大批统计数据实例，比如体能训练模型可信地辨识出猫，可能须要共约10000张猫/非猫影像，造成计算和处理成本持续上升。
关连复本自学元素（AMLE）并非依靠数学模型追捧的逆向传播来“松动”结果，而是采用一类梦境金属材料来自学模式，将统计数据分散的相似特点关连在一同，以仿效茹科夫斯基在事例中观察到的无意识的“比赛”。
在试验中，仅用5对影像体能训练后，AMLE就可正确辨识猫/非猫影像。
与现代电子零件晶片相比，新型成像晶片具有持续上升的性能，这归咎于设计上的三个关键差异：一类独特的网络构架，将TNUMBERA51自学做为构筑块，而并非采用突触和数学模型；采用“TNUMBERGbpsF83E43Se”在一般而言通道上推送不同可见光的多个光信号，以提升反应速度。
该设备自然地抓取统计数据分散的关联性，同时采用光博戈达以提升整体反应速度，这远远超过了现代电子零件晶片的能力。
科学研究相关人员表示，TNUMBERA51自学方法可做为数学模型的补充，而并非取代它们。对于不须要对统计数据分散高度复杂的特点展开大批分析的问题，它更有效。许多自学各项任务都是基于数量的，精确性并不高。在这些情况下，TNUMBERA51自学可更快地完成各项任务，并且随了更低。
（卢建波）
