테스트린 머신(Tsetlin Machines, TMs)은 산술 기반에서 논리 기반으로의 기초적인 전환을 제공한다. 컨볼루션을 지원함으로써 MNIST, 패션-MNIST, CIFAR-2와 같은 이미지 분류 데이터셋에서 성공적으로 작동한다. 그러나 더 복잡한 과제를 나타내는 CIFAR-10 및 CIFAR-100에서 최첨단 성능을 달성하는 데 TMs는 여전히 어려움을 겪고 있다. 본 논문에서는 전문화된 TMs 간의 즉시 사용 가능한 협업을 제안하며, 이를 ‘TM 복합체(TM Composites)’라고 명명한다. 이 협업은 TMs가 학습 과정에서 전문화될 수 있고, 추론 과정에서 자신의 능력을 평가할 수 있다는 특성에 기반한다. 협력 시 가장 자신감 있는 TMs가 결정을 내리며, 확신이 없는 TMs는 이를 덜어낸다. 이러한 방식으로 TM 복합체는 구성원들의 전문화를 활용해 개별 구성원보다 더 높은 능력을 갖추게 된다. 이 협업은 어떤 구성원이든 언제든지, 어떤 방식으로든 조합할 수 있으며, 미세 조정(fine-tuning) 없이도 가능하다는 점에서 즉시 사용 가능한 특성을 지닌다. 본 연구의 실증 평가에서는 세 가지 종류의 TM 전문화를 구현하였다: 기울기 히스토그램(Histogram of Gradients), 적응형 가우시안 임계치 설정(Adaptive Gaussian Thresholding), 색 온도계(Color Thermometers). 결과적으로 생성된 TM 복합체는 패션-MNIST에서 정확도를 2%p 향상시키고, CIFAR-10에서는 12%p, CIFAR-100에서는 9%p 향상시켜 TMs 분야에서 새로운 최고 성능 기록을 달성하였다. 종합적으로, 우리는 TM 복합체가 더 많은 과제와 데이터셋에서 최첨단 딥러닝에 비해 초저에너지 및 투명한 대안을 가능하게 할 것으로 기대한다.