تقدم آلات تسيتلين (TMs) تحولًا جوهريًا من التعلم الآلي القائم على الحسابات إلى التعلم الآلي القائم على المنطق. وبما أنها تدعم الترسيم (convolution)، فقد أظهرت نجاحًا في التعامل مع مجموعات بيانات تصنيف الصور مثل MNIST وFashion-MNIST وCIFAR-2. ومع ذلك، تواجه آلة تسيتلين صعوبة في تحقيق أداء متميز على CIFAR-10 وCIFAR-100، اللذين يمثلان مهامًا أكثر تعقيدًا. تقدم هذه الورقة تعاونًا سهل التوصيل بين آلات تسيتلين متخصصة، يُعرف باسم "مُركبات آلة تسيتلين" (TM Composites). يعتمد هذا التعاون على قدرة آلة تسيتلين على التخصص أثناء التعلم، وعلى تقييم كفاءتها أثناء الاستدلال. عند التعاون، تُتخذ القرارات من قبل الآلات الأكثر ثقة، بينما تُخفَّف العبء عن الآلات غير المؤكدة. وبهذه الطريقة، تصبح مركبة آلة تسيتلين أكثر كفاءة من أعضائها الفرديين، مستفيدة من تخصصاتها المتنوعة. ويُعد هذا التعاون سهل التوصيل (plug-and-play) لأنه يمكن دمج الأعضاء بأي طريقة وفي أي وقت دون الحاجة إلى التحسين الدقيق (fine-tuning). في تقييمنا التجريبي، نفذنا ثلاث تخصصات لآلات تسيتلين: مخطط التدرجات (Histogram of Gradients)، والحد العشوائي التكيفي (Adaptive Gaussian Thresholding)، ومقاييس الحرارة اللونية (Color Thermometers). ونتيجة لذلك، زادت دقة مركبة آلة تسيتلين بنسبة نقطتين مئويتين على Fashion-MNIST، وبنسبة 12 نقطة على CIFAR-10، وبنسبة 9 نقاط على CIFAR-100، مما يحقق نتائج جديدة قياسية لأداء آلات تسيتلين. بشكل عام، نرى أن مركبات آلة تسيتلين ستتيح بديلًا فائق التوفير في الطاقة وشفافًا لتقنيات التعلم العميق الحديثة المتقدمة، على مهام وقواعد بيانات أكثر تنوعًا.