形式ニューロン

彼らは、各ニューロンとして以下のようなモデルを示し、その多層構造で XOR も扱える（すなわち、線形非分離な問題も扱える^[2]）ということを示した。さらにこれを使って、チューリングマシンと同等の計算能力を持つシステムが可能であるとした（これはチャーチ＝チューリングのテーゼによって、重要だとみなされた）。

ニューロンのモデルは、以下の通り。入出力は 0 または 1 である。

• w：重みづけ（実数）
• x：入力信号（0 または 1）
• h：しきい値（実数）
• H：ヘヴィサイドの階段関数（出力は 0 または 1）

${\displaystyle H(\sum _{i=1}^{N}w_{i}x_{i}-h)}$

実例としては、以下の通り。XOR は3層、他は2層である。

AND

${\displaystyle H(x_{1}+x_{2}-1.5)}$

OR

${\displaystyle H(x_{1}+x_{2}-0.5)}$

NOT

${\displaystyle H(-x_{1}+0.5)}$

XOR

${\displaystyle H(x_{1}+x_{2}-2H(x_{1}+x_{2}-1.5)-0.5)}$

以下の擬似コードはマカロックとピッツの形式ニューロンの実装例である。入力は真理値（真または偽）、出力も真理値である。オブジェクト指向的モデルとなっている。トレーニング方法は定義されていない。関数型のモデルであれば、TLUクラスの代わりにTLUという関数が、入力ベクトルと重み付けベクトルとしきい値を引数とし、真理値を出力とするものになるだろう。

 class TLU defined as:
  data member threshold : number
  data member weights : list of numbers of size X
  function member fire( inputs : list of booleans of size X ) : boolean defined as:
   variable T : number
   T ← 0
   for each i in 1 to X :
    if inputs(i) is true :
     T ← T + weights(i)
    end if
   end for each
   if T > threshold :
    return true
   else:
    return false
   end if
  end function
 end class