科学家在尝试构建和扩展能够进行机器学习的类脑系统时遇到了很多权衡。例如，人工神经网络能够学习复杂的语言和视觉任务，但训练计算机执行这些任务的过程很慢，而且需要很大的功率。

训练机器以数字方式学习但以模拟方式执行任务(即输入随电压等物理量而变化)可以减少时间和功率，但小错误可能会迅速累积。

宾夕法尼亚大学物理与工程研究人员之前设计的电网络更具可扩展性，因为误差不会随着系统规模的扩大而以同样的方式复合，但它受到严重限制，因为它只能学习线性任务，即输入和输出之间具有简单关系的任务。

现在，研究人员创建了一个模拟系统，该系统速度快、功耗低、可扩展，能够学习更复杂的任务，包括“异或”关系 (XOR) 和非线性回归。这被称为对比局部学习网络;组件根据局部规则自行演化，而无需了解更大的结构。

物理学教授道格拉斯·J·杜里安 (Douglas J. Durian) 将其比作人类大脑中的神经元不知道其他神经元在做什么但仍然会产生学习行为。

榴莲研究小组的博士后物理学家 Sam Dillavou 说道：“从机器学习的角度来看，它可以学习执行有用的任务，类似于计算神经网络，但它是一个物理对象。”他也是《美国国家科学院院刊》上发表的有关该系统的论文的第一作者。

“让我们感到兴奋的一件事是，由于它不了解网络结构，所以它对错误的容忍度很高，而且能够以不同的方式制造，非常稳健，我们认为这为扩大这些产品的规模开辟了很多机会，”工程学教授马克·Z·米斯金说。

物理学教授 Andrea J. Liu 表示：“我认为这是一个理想的模型系统，我们可以研究它以深入了解各种问题，包括生物问题。”她还表示，它还有助于与收集需要处理的数据的设备(如摄像机和麦克风)进行交互。