ロジックゲートネットワーク（LGN）はブール演算の合成を通じて計算を実装する新しいニューラルネットワークアーキテクチャですが、従来のニューラルネットワークと異なり、深さを増やしてもその利益を確実に得られていません。本研究は、この問題の根本的な原因を2つ特定しました。一つは深いLGNにおける最適化の崩壊であり、もう一つはスキップバイアス初期化と直進推定によって訓練を安定化させても依然として存在するトポロジー由来の制限です。つまり、訓練可能性だけでは不十分で、深い層がより有用な計算を支援する情報を受け取る必要があるということです。 研究チームは、この問題を解決するため、入力アンカー付きロジックゲートネットワーク（IALGN）を提案しました。各ゲートが進化する隠れ特徴と元の入力への直接的なアンカーを組み合わせるトポロジーです。このアプローチにより、計算パスを保持しながら、すべての層が元の入力に条件付けられます。深さDのパスは最大D+1個の入力ビットに依存でき、厳密なパスワイズ深さ階層が確立されることを示しました。さらにランダムk-アンカー緩和により、スパインを緩和することなくアンカー選択がさらに改善されます。 MNIST、CIFAR-10、CIFAR-100の各データセットでの実験により、IALGNは固定幅で100層を超える深さでも一貫した深さ精度の向上を達成しました。一方、他のLGNトポロジーは飽和または性能低下を示しています。層別プローブ、トポロジーアブレーション、有効深さ分析により、入力アンカリングが段階的により情報量の多い表現を生み出し、より長い計算パスを保持することが確認されました。これらの結果から、LGNにおけるスケーラブルな深さには、安定した最適化と入力条件付き改良を支援する情報アクセスパターンの両方が必要であることが実証されています。