馮紐曼瓶頸
幾乎任何解碼器——線性濾波器、卡爾曼濾波器、類神經網路——其核心都是一次矩陣—向量乘法：權重乘以特徵。在傳統數位硬體中，權重存於記憶體、算術則在另一個獨立單元進行，因此大部分能量都花在跨匯流排來回搬運權重上，而非用它們來運算。這就是馮紐曼瓶頸；對腦機介面這類受記憶體束縛的工作負載而言，它主宰了功耗帳單。
記憶體內運算取消了這趟通勤。它不再把權重取到算術單元，而是在權重本就所在的記憶體陣列內部完成乘積累加。主導的能量項——資料搬運——就此大致消失。
交叉陣列以歐姆與克希荷夫定律作乘法
標準元件是排列成交叉陣列的憶阻器／電阻式記憶體突觸。將每個元件的電導 G_{ij} 編程以儲存一個權重；把輸入向量以電壓 V_i 施加於各列。依歐姆定律，每個元件通過電流 G_{ij}V_i；依克希荷夫電流定律，同一行上的電流自動加總。整個矩陣—向量乘積在單一類比步驟中就此浮現，且不論矩陣大小，實質上都在常數時間內完成。
交叉陣列的恆等式：加總到第 j 行上的電流，正好是輸入電壓與所儲存電導的內積。物理定律完成了乘積累加——不需時脈乘法器，也不需取回權重。
同樣的原理也適用於次臨界類比 CMOS，其中偏壓於弱反轉區的電晶體，可充當精巧、超低電流的矽突觸與矽神經元。無論基材是憶阻式還是 CMOS，訴求都相同：讓元件物理去做算術。
接近物理底線的每次運算能量
由於這次乘法不過是電荷在短促讀取脈衝期間流經一個電導，每次突觸運算的能量可降至飛焦耳到皮焦耳等級——比數位式的乘法加取值低上數個數量級。作為校準：一個生物突觸每次事件耗費約數飛焦耳，而整顆人腦大約以二十瓦運行。神經形態硬體正朝此區間邁進，儘管已發表的數字通常是理想化的峰值，而非系統中的持續值。
一次類比乘積累加的能量：電導 G 乘以讀取電壓平方，再乘以讀取脈衝寬度 au_{\mathrm{rd}}。降低 V 與 au_{\mathrm{rd}} 分別以平方與線性方式削減能量——但也會縮小訊號，因而雜訊與精度會反向拉扯。
非理想效應：使其滯留於實驗檯的關鍵障礙
類比運算以數位式的精確性換取效率，而帳單以非理想效應的形式到來：元件間的變異、電導隨時間的漂移、每個記憶胞有限的位元精度、大陣列上的導線電阻（IR 壓降）、卡住或失效的元件、溫度相依性與讀取雜訊。每一項都把運算出的內積推離其應有值，而這些誤差會在深層解碼器中層層累積。
一條務實的折衷之道是物理儲備池計算：讓一個固定、隨機、動態豐富的基材去完成困難的非線性混合，而只在其上訓練一個簡單的線性讀出層。由於儲備池本身從不被訓練，元件失配便只是其固定身分的一部分，而非需要修正的誤差——這是使不完美的類比硬體派上用場的一種優雅方式。