Symulowany hipokamp jest w stanie zmieniać swoje własne połączenia synaptyczne podczas poruszania się wirtualnym robotem przypominającym samochód. Istotne jest to, że po tym, jak raz przejedzie określoną trasę, jest w stanie ją zapamiętać.
To znaczna poprawa w stosunku do obecnych metod autonomicznego nawigowania, które polegają na głębokim uczeniu się i każdorazowym obliczaniu tysiąca możliwych tras. Aby dotrzeć do określonego miejsca docelowego, system głębokiego uczenia oblicza możliwe ścieżki na mapie i przypisuje im koszty, ostatecznie wybierając najtańszą ścieżkę do pokonania.
„Istnieją inne systemy nawigacyjne symulujące rolę hipokampa, który działa jako pamięć robocza dla mózgu. Jednak po raz pierwszy jesteśmy w stanie naśladować nie tylko rolę, ale także architekturę hipokampa, aż do poszczególnych neuronów i ich połączeń” – wyjaśnił Michele Migliore i Simone Coppolino z IBF-CNR na łamach czasopisma Neural Networks.