邏輯門網絡（LGN）是一種基於布爾運算組合的計算模型，但與經典的布爾電路不同，現有的LGN無法可靠地從增加網絡深度中獲益。一篇來自arXiv的論文揭示了這一問題的兩個根本原因：首先，在深度鬆弛的LGN中存在優化崩潰現象；其次，即使採用跳躍偏置初始化和直通估計等技巧來穩定訓練過程，拓撲結構本身所帶來的限制仍然存在。這表明，僅靠可訓練性並不足以提升深度網絡性能，更深層的網絡必須能夠接收到支持有用計算的信息。
為了解決這些問題，研究人員提出了輸入錨定邏輯門網絡（IALGN）。在這種架構中，每個門都結合了演進的隱藏特徵與直接的輸入錨點。這種拓撲結構保留了一條計算主幹，同時使每一層都基於原始輸入進行條件化處理。論文證明，深度為D的路徑可以依賴多達D+1個輸入比特，並建立了嚴格的逐路徑深度層次結構。此外，隨機k錨點鬆弛方法在不破壞主幹的前提下進一步優化了錨點選擇。
在MNIST、CIFAR-10和CIFAR-100數據集上的實驗表明，IALGN在超過100層的深度下實現了持續固定的寬度-深度精度提升，而其他的LGN拓撲結構則出現飽和或性能下降。通過逐層探測、拓撲消融和有效深度分析，研究人員發現輸入錨定能夠產生逐漸更具信息量的表示，並保留更長的計算路徑。這些結論表明，LGN的可擴展深度需要同時具備穩定的優化和能夠支持輸入條件細化模式的信息訪問方式。
該研究為設計更深、更強的邏輯門網絡提供了重要見解，有望推動基於布爾運算的機器學習模型的發展。論文的作者包括Taegun An等四位研究人員，論文共有7頁正文、4張圖表和2張表格，投稿至arXiv並已獲得DOI編號。相關的研究話題涉及機器學習、人工智能和邏輯學等多個領域。