一篇新的研究論文探討了網格智慧中液態基質的必要性。在由自主智慧體組成的網格中，沒有中央時鐘、共享模型或協調器。每個智慧體必須將來自同伴的不規則、非同步的投影整合到一個內部狀態中，同時在一個無法重新訓練的固定權重基質上進行操作。這些約束單獨來看是可解的，但同時滿足所有三個條件則極具挑戰性。
作者提出了一個自進化潛在變數的模型，並證明了兩個必要條件。首先，由於潛在變數隨時間變化，最優估計器必須具有自適應時間尺度，任何固定增益濾波器都嚴格次優。其次，由於到達時間沒有時鐘，最優估計依賴於到達之間的時間間隔，而忽略間隔的網路無論寬度或深度都無法恢復這一依賴關係。第二個條件是容量無關的——規模無法替代對間隔的依賴。
這兩個條件交匯於連續時間液態類。LSTM滿足第一個條件，固定連續時間濾波器滿足第二個，而多時間尺度液態網路同時滿足兩者。合成實驗驗證了這些結論。該特徵描述是必要而非充分的，並且適用於固定權重基質；如果網路可以重新訓練，則可以透過其他方式達到該類別。該證明針對每個智慧體，因此適用於網格中的每個智慧體，構成了網格智慧的結構條件。這一發現對設計去中心化多智慧體系統具有重要啟示。