据国外媒体报道，由麻省理工学院研究人员组成的多学科团队使用了实用的无机材料，显著提升了此前开发的一种人工模拟突触的速度极限，将该设备的运行速度提高了100万倍，比人脑中的突触快约100万倍。
不仅如此，这种无机材料还使得电阻器非常节能与早期版本的设备中使用的材料不同，新材料与硅制造技术兼容，从而使制造纳米级设备成为可能，并可能为集成到深度学习应用中的商业计算硬件铺平道路
可编程电阻是模拟深度学习的关键部件，就像晶体管是数字处理器的核心部件一样通过在复杂的层中重复可编程电阻器阵列，研究人员可以创建模拟人工神经元和突触网络，像数字神经网络一样执行计算然后，可以训练网络执行复杂的人工智能任务，如图像识别和自然语言处理
