개별적으로는 단순하지만, 인공 뉴런은 깊은 네트워크로 연결될 때 최첨단 성능을 제공합니다. 티슬린 오토마톤(Tsetlin Automaton)은 더욱 단순하고 유연한 학습 메커니즘으로, 다중 암호 밴딧 문제(multi-armed bandit problem)를 해결할 수 있는 능력을 가지고 있습니다. 단일 정수를 메모리로 사용하여, 이는 확률적 환경에서 증가 및 감소 연산을 통해 최적의 행동을 학습합니다. 본 논문에서는 이러한 티슬린 오토마톤들의 집합으로 구성된 명제 공식을 사용하여 복잡한 패턴 인식 문제를 해결하는 티슬린 머신(Tsetlin Machine)을 소개합니다. 오랜 시간 동안 존재해 온 신호 대 잡음 비율의 감소 문제를 제거하기 위해, 티슬린 머신은 새로운 게임을 통해 오토마톤들을 조정합니다. 또한, 입력, 패턴, 출력 모두 비트로 표현되며, 인식과 학습은 비트 조작에 기반하여 이루어져 계산이 간단해집니다. 우리의 이론적 분석은 게임의 내쉬 균형(Nash equilibria)이 최적의 패턴 인식 정확도를 제공하는 명제 공식들과 일치함을 입증합니다. 이는 국부적인 최적점(local optima) 없이 전역적인 최적점(global ones)만 학습한다는 것을 의미합니다. 5개의 벤치마크에서 티슬린 머신은 SVM, 결정 트리(Decision Trees), 랜덤 포레스트(Random Forests), 나이브 베이즈 분류기(Naive Bayes Classifier), 로지스틱 회귀(Logistic Regression), 그리고 신경망(Neural Networks)와 비교해 경쟁력 있는 정확도를 제공하였습니다. 우리는 또한 명제 공식들이 해석을 용이하게 하는 방법을 보여주었습니다. 결론적으로, 높은 정확도, 해석 가능성, 그리고 계산의 간편성의 조합은 티슬린 머신이 다양한 분야에서 유망한 도구가 될 것이라고 믿습니다.