رغم بساطتها الفردية، تقدم الخلايا العصبية الاصطناعية أداءً متميزًا عندما تتصل في شبكات عميقة. يمكن القول إن آلة تساتلين هي آلية تعلم أكثر بساطة وتنوعًا، قادرة على حل مشكلة العصابات المتعددة الأذرع (multi-armed bandit problem). من خلال استخدام عدد صحيح واحد كذاكرة، تتعلم هذه الآلة الإجراء الأمثل في البيئات العشوائية عبر عمليات الزيادة والنقصان. في هذا البحث، نقدم آلة تساتلين (Tsetlin Machine)، التي تحل مشاكل التعرف على الأنماط المعقدة باستخدام الصيغ الجدلية (propositional formulas)، والتي تتكون من مجموعة من آلات تساتلين. لحل المشكلة القديمة للنسبة المتناقصة بين الإشارة والضوضاء (vanishing signal-to-noise ratio)، تقوم آلة تساتلين بتنظيم الآلات باستخدام لعبة جديدة. بالإضافة إلى ذلك، يتم التعبير عن كل من المدخلات والأنماط والمخرجات كبتات (bits)، بينما يعتمد التعرف والتعلم على معالجة البتات، مما يبسط الحساب. تثبت تحليلنا النظري أن موازين ناش (Nash equilibria) للعبة تتوافق مع الصيغ الجدلية التي توفر دقة التعرف على الأنماط الأمثل. وهذا يعني التعلم دون وجود نقاط أمثل محلية، بل فقط نقاط أمثل عالمية. في خمس اختبارات معيارية، توفر آلة تساتلين دقة تنافسية مقارنة بالآلات الداعمة للتجانس (SVMs)، وأشجار القرار (Decision Trees)، والغابات العشوائية (Random Forests)، ومصنف بايز البسيط (Naive Bayes Classifier)، والانحدار اللوجستي (Logistic Regression)، والشبكات العصبية (Neural Networks). نوضح أيضًا كيف تساعد الصيغ الجدلية في التفسير. وفي الختام، نعتقد أن الجمع بين الدقة العالية والتفسيرية وتبسيط الحساب يجعل آلة تساتلين أداة واعدة لمجموعة واسعة من المجالات.