经典算法通常对信息处理构成瓶颈[1]。它们通常旨在处理一致的，完全有序的，抽象的数量，而实际上，我们需要对嘈杂，高维数据进行推理。机器学习和神经网络（NNS）尤其使机器可以从此类输入中提取有用的功能，但是如果其输出需要与非差异性算法组成，则他们将无法通过反向传播从直接反馈中学习。以使算法适用的方式压缩信息会丢失许多潜在的相关细节。通过教导NNS如何执行算法来打破这种瓶颈是神经算法推理的目标[1-3]。对现实世界数据的首次应用是有希望的[4-6]，但是即使在高度精心制作的架构上，推断仍然有改进的空间[7，8]。因此，显然需要更仔细地研究神经网络的信息处理功能。