본 연구는 집합론(set theory)과 초차원 컴퓨팅(hyperdimensional computing)에 기반한 새로운 계산적 마음 이론(computational theory of mind)을 소개합니다. 전통적인 신경망(neural networks)이 연속적인 가중치(continuous weights)와 행렬 곱셈(matrix multiplication)에 의존하는 반면, 이 프레임워크는 희소 이진 데이터(sparse binary data)를 사용하여 작동합니다. 이는 정보를 이산 집합(discrete sets)으로 표현하여 생물학적 신경 집단 코드(biological neural population codes)를 직접적으로 모델링합니다. 본인은 조합론적으로 확장된 은닉층(hidden layer)을 특징으로 하는 네트워크 토폴로지(network topologies)로부터 연상 기억(associative memory)이 자연스럽게 발현됨을 입증합니다. 학습은 스칼라 가중치 조정(scalar weight adjustments)이 아닌 위상적 가소성(topological plasticity)에 의해 구동됩니다. 이 아키텍처는 부분집합 패턴 매칭(subset pattern matching) 및 정확한 최근접 이웃 탐색(exact nearest-neighbor search)을 통한 정보 검색이라는 단일 핵심 알고리즘 아래에서 자기 연상(auto-associative) 및 이종 연상(hetero-associative) 학습을 통합합니다. 상수 시간 복잡도(constant-time complexity)로 작동하는 이러한 메커니즘은 연속적인 병목 현상 없이 지각 데이터(희소 분산 표현, sparse distributed representations)와 기호(희소 홀로그래픽 표현, sparse holographic representations)를 연결합니다. 이 프레임워크를 신경 해부학(neuroanatomy)에 매핑하여, 본인은 소뇌(cerebellum)와 신피질(neocortex) 모두 이 알고리즘의 변형을 구현하며, 부분집합 패턴 매칭을 인지의 근본적인 엔진으로 삼는다고 제안합니다. 이 알고리즘은 행렬 산술(matrix arithmetic)이 아닌 이산 논리(discrete logic)에 의존하기 때문에 인메모리 하드웨어(in-memory hardware)로 직접 변환될 수 있습니다. 이는 인간 수준의 에너지 효율성을 가진 합성 지능(synthetic intelligence)을 향한 새로운 경로를 열어줍니다.