به‌عقیده وی لو استاد مهندسی برق و علوم کامپیوتر این دانشگاه، در آینده توانایی پردازش سریع‌تر تصاویر، نقش مهمی در توسعه سامانه‌های خودکار نظیر خودران‌ها خواهد داشت. اجزای به کار رفته در این کامپیوتر، از شناسایی الگو استفاده می‌کنند و نسبت به روش‌های فعلی پردازش تصاویر، توان بسیار کمتری صرف می‌کنند. این محققان الگوریتمی عرضه کرده‌اند که با تکیه بر روشی موسوم به Sparse Coding آرایه‌ای به ابعاد ۳۲ در ۳۲ ممریستور را برای تجزیه و تحلیل و بازسازی بهینه چند عکس به کار می‌گیرد.

ممریستور مقاومت‌ الکتریکی حافظه‌داری است که جریان را بر اساس سابقه ولتاژهای اعمال شده به آن تنظیم می‌کند و این قابلیت را دارد که داده‌ها را هم‌زمان ذخیره و پردازش کند و همین ویژگی، آن‌ها را کارآمدتر از سامانه‌های پردازشی مرسوم می‌کند. زیرا در یک کامپیوتر رایج، واحدهای مسئول عملیات منطقی و ذخیره‌سازی در بخش‌های مجزایی از مدار قرار گرفته‌اند. همان طور که لو اشاره می‌کند: «وظایفی که ما از کامپیوترهای امروزی انتظار داریم، روزبه‌روز پیچیده‌تر می‌شوند. در عصر بزرگ داده‌ها، کامپیوترها برای اینکه بتوانند مقادیر زیادی از داده‌ها را به کار گیرند، بین پردازنده و حافظه خود از ارتباطاتی استفاده می‌کنند که گران‌قیمت، بدون تغییر و کند هستند و همین امر آن‌ها را به دستگاه‌هایی بزرگ، گران‌قیمت و با مصرف بالای توان تبدیل کرده است.» اما شبکه‌هایی از ممریستورها می‌توانند بسیاری از عملیات‌ مورد نیاز را بدون اینکه مجبور به انتقال و جابه‌جایی اطلاعات باشند، در آن واحد انجام دهند، مشابه شبکه‌های عصبی موجود در مغز جانوران. در نتیجه می‌توان با کمک آن‌ها پلتفرم‌های جدیدی ایجاد کرد که حجم زیادی از سیگنال‌ها را به طور موازی پردازش می‌کنند و قادر به اجرای یادگیری ماشینی پیشرفته‌ای هستند. در واقع، ممریستور انتخاب خوبی برای استفاده در شبکه‌های عصبی عمیق است. شاخه‌ای از یادگیری ماشینی که طی آن کامپیوتر آموزش می‌بیند فرآیندها را بدون اینکه برای آن برنامه‌نویسی شده باشد اجرا کند.

ما به نسل جدیدی از مدارهای الکترونیکی نیاز داریم که قادر باشند به‌سرعت داده‌های پیچیده‌ای را در یک محیط پویا و دائماً متغیر پردازش کنند و به‌ گفته لو: «برای این کار نمی‌توانید به نوشتن یک برنامه تکیه کنید.» او معتقد است: «برای اینکه سامانه‌های هوشمندتری بسازیم، باید راهی پیدا کنیم تا آن‌ها بتوانند داده‌های بیشتری را به طور کارآمدتر پردازش کنند. پیشنهاد ما برای این کار الهام گرفتن از علوم عصبی است.» مغز پستانداران قادر است در کسری از ثانیه برداشت خود را از آنچه چشم می‌بیند به دست آورد. انسان این کار را تنها با استفاده از تعداد محدودی از عصب‌های فعال شده انجام می‌دهد. فرآیندی که هم عصب‌شناسان و هم کارشناسان کامپیوتر از آن تحت عنوان Sparse Coding یاد می‌کنند. لو این فرآیند را چنین توضیح می‌دهد: «وقتی به یک صندلی نگاه می‌کنیم، آن را (به‌عنوان یک صندلی) تشخیص می‌دهیم، زیرا ویژگی‌های آن متناظر است با تصویری که از یک صندلی در مغزمان ذخیره شده است. هرچند صندلی‌ها با هم فرق دارند، اما مجموعه‌ای از ویژگی‌های کلیدی در همه صندلی‌ها وجود دارد که تشخیص صندلی بودن را برای ما ساده می‌کند. یک شیء زمانی به‌طور صحیح شناسایی می‌شود که به‌درستی در مغز طبقه‌بندی شده باشد. سامانه دانشگاه میشیگان هم به گونه‌ای طراحی شده است که الگوها را به‌طور بسیار کارآمد شناسایی کند، به طوری که بتواند با استفاده از کمترین ویژگی‌ها، آنچه دیده است را توصیف کند. در مغز سلول‌های عصبی مختلفی وظیفه شناسایی الگوهای مختلفی را برعهده دارند.

وقتی عکسی را می‌بینیم، سلول‌هایی که آن را تشخیص می‌دهند فعال‌تر خواهند شد. از سوی دیگر، سلول‌های عصبی برای ایجاد یک بازنمایی کارآمد طبیعی با یکدیگر رقابت می‌کنند. ما در سامانه الکترونیکی خود این روش را پیاده‌سازی کردیم.» این محققان سامانه را با مجموعه‌ای از تصاویر آموزش دادند و شبکه ممریستور آن‌ها قادر به بازسازی الگوهایی آزمایشی نظیر تصاویری از نقاشی‌ها و عکس‌های معروف است. آن‌ها امیدوارند روزی بتوانند با استفاده از یک سامانه کوچک که به‌طور مستقیم با حسگرها یا دوربین‌ها یکپارچه خواهد شد، این روش را برای پردازش و تجزیه و تحلیل بی‌درنگ تصاویر ویدئویی به کار ببرند. لازم به ذکر است این تحقیق بخشی از پروژه حدود هفت میلیون دلاری است که هدف آن ساخت تراشه‌ای کامپیوتری براساس شبکه‌های عصبی تطبیق‌پذیر و خودسازمانده بوده و از سوی نهادهای نظامی حمایت می‌شود.