Onderzoek naar AI is altijd op zoek naar meer schaalbare oplossingen. Een veelbelovende optie zijn Hopfield netwerken, die zich goed lenen tot een implementatie in analoge elektronica die sneller en veel energie-efficiënter is dan moderne digitale hardware. Anders dan traditionele 'voorwaartse' neurale netwerken bevatten deze netwerken ook terugkoppelingen, geïnspireerd door de structuur van het menselijk brein. Desalniettemin worden deze modellen typisch beperkt tot één enkele modaliteit, in tegenstelling tot de inherente multimodaliteit van het brein dat verschillende modaliteiten omvat, zoals zicht, gehoor en tastzin.
Dit voorstel wil deze limitatie aanpakken door Hopfield netwerken te combineren met multimodaliteit, met de ambitie om hoogst efficiënte, robuuste en multimodale neurale netwerken te creëren. Aangezien het paradigma achter Hopfield netwerken en hun training methodes volledig anders is dan de standaard Deep Learning technieken, bestaan er nog fundamentele problemen i.v.m. training
stabiliteit en de keuze van gepaste modaliteitsspecifieke bouwblokken. Om deze problemen aan te pakken vertrekt dit voorstel van de recente vooruitgang op gebied van de expressiviteit en schaalbaarheid van Hopfield netwerken, om geavanceerde netwerkarchitecturen en trainingstrategieën te ontwerpen, tezamen met proofs-of-concept. Het voorgestelde onderzoek mikt erop Hopfield netwerken ten volle te benutten, op weg naar buitengewoon efficiënte neurale
netwerken in de toekomst.