巴甫洛夫在实验中发现，如果在喂食过程中提供另一种刺激，例如铃铛或节拍器的声音，使狗将这两种体验联系起来，那它只听到声音就会流口水。两个不相关的事件配对在一起的重复关联可产生学习反应，也就是条件反射。
大多数AI系统中使用的神经网络在学习过程中通常需要大量数据示例，比如训练模型可靠地识别出猫，可能需要多达10000张猫/非猫图像，造成计算和处理成本居高不下。
关联单子学习元素（AMLE）不是依靠神经网络青睐的反向传播来“微调”结果，而是使用一种记忆材料来学习模式，将数据集中的相似特征关联在一起，以模仿巴甫洛夫在案例中观察到的条件反射的“比赛”。
在测试中，仅用5对图像训练后，AMLE就可正确识别猫/非猫图像。
与传统电子芯片相比，新型光学芯片具有相当可观的性能，这归因于设计上的两个关键差异：一种独特的网络架构，将联想学习作为构建块，而不是使用神经元和神经网络；使用“波分复用”在单个通道上发送不同波长的多个光信号，以提高计算速度。
该设备自然地捕捉数据集中的相似性，同时使用光并行以提高整体计算速度，这远远超过了传统电子芯片的能力。
研究人员表示，联想学习方法可作为神经网络的补充，而不是取代它们。对于不需要对数据集中高度复杂的特征进行大量分析的问题，它更有效。许多学习任务都是基于数量的，复杂程度并不高。在这些情况下，联想学习可更快地完成任务，并且计算成本更低。
