최근의 연속적 사고 기계 (Continuous Thought Machine, CTM) 아키텍처는 신경 역학 (neural dynamics)을 통해 내부 연산을 외부 입력으로부터 분리하지만, 안정성 보장이 없는 다층 퍼셉트론 (Multi-Layer Perceptrons, MLP)에 의존합니다. 우리는 네트워크 이론의 원리를 통해 안정화될 수 있고 게임 이론적 손실 (game-theoretic loss)을 통해 최적화되는 에너지 기반 시스템 (energy-based systems)으로 표현될 수 있는 비대칭 흥분-억제 (Excitatory-Inhibitory, E-I) 네트워크를 사용하여 신경 역학을 모델링할 것을 제안합니다. 이러한 관점을 바탕으로, 우리는 Wilson-Cowan 역학 및 측면 억제 (lateral inhibition)를 통합하여 안정화된 신경 역학을 통해 내부 표현을 계산하는 신경 모사 (neuro-inspired) 아키텍처인 Temporal Inhibitory-Excitatory Dynamic Engine (TIDE)를 소개합니다. TIDE는 예를 들어 계층적 수용장 (Hierarchical Receptive Fields)을 사용하고 Dale의 원리 (Dale's principle)를 강제하여 실제적인 $80:20$ E-I 균형 비율을 보장함으로써 생물학적 실재감 (biological realism)과 엔드투엔드 (end-to-end) 학습이 가능한 아키텍처 사이의 균형을 맞춥니다. 본 논문의 목적은 신경 모사 학습을 전면에 내세우는 새로운 아키텍처를 소개하는 것입니다. 우리는 경험적 절제 연구 (ablation studies)와 함께 수렴성 (convergence), 안정성 (stability), 그리고 복잡도 경계 (complexity bounds)에 대한 증명을 제시합니다. 종합적으로, TIDE는 CTM보다 $50%$ 미만의 훈련 시간으로 이를 능가하며, 다양한 섭동 (perturbations) 하에서 ImageNet의 $\texttt{top-1}$ 정확도를 평균 $+1.65%$ 향상시킵니다.