本质上，系统通过空间中的向量表示文本中的每个单词 - 指向特定方向的特定长度的行。每个后续单词在某个方向上摆动该向量，在理论空间中表示，最终可以有数千个维度。在该过程结束时，最终的向量或向量集被转换回其对应的字符串。
“RUM帮助神经网络很好地完成两件事，”Nakov说。“这有助于他们更好地记住，并使他们能够更准确地回忆信息。”
在开发RUM系统以帮助处理某些棘手的物理问题(例如复杂工程材料中的光行为)之后，“我们意识到我们认为这种方法可能有用的地方之一就是自然语言处理，”Soljačić回忆说与Tatalović的对话，他指出，这样一个工具对于他作为一名编辑试图决定撰写哪些论文的工作很有用。Tatalović当时正在探索科学新闻中的人工智能作为他的骑士团契项目。
“所以我们尝试了一些自然语言处理任务，”Soljačić说。“我们尝试的一个是总结文章，这看起来效果很好。”
例如，他们通过传统的基于LSTM的神经网络和基于RUM的系统提供相同的研究论文。得出的摘要有很大不同。
LSTM系统产生了这种高度重复且相当技术性的总结：“Baylisascariasis”了老鼠，危害了这种恶劣的蝾螈并导致疾病，如失明或严重后果。这种被称为“baylisascariasis”的感染了老鼠，已经危及了这种恶劣的蝾螈，并导致了像失明或严重后果的疾病。这种被称为“baylisascariasis”的感染导致老鼠死亡，这种感染已经危及了这种感染力。
基于同一篇论文，RUM系统产生了一个更具可读性的摘要，并且不包括不必要的重复短语：城市浣熊可能比以前假设的更多地感染人。7%的受访个体检测出浣熊蛔虫抗体阳性。圣巴巴拉90%以上的浣熊都是这种寄生虫的寄主。
基于RUM的系统已经扩展，因此它可以“阅读”整篇研究论文，而不仅仅是摘要，以产生其内容的摘要。研究人员甚至尝试在他们自己的研究论文中使用该系统描述这些发现 - 这篇新闻报道试图总结的论文。
以下是新神经网络的总结：研究人员在RUM的旋转单元上开发了一种新的表示过程，RUM是一种可用于解决自然语言处理中广泛神经的循环记忆。
英国人工智能公司Deepmind Technologies的研究科学家ağlarGlehre没有参与这项工作，他说这项研究解决了神经网络中的一个重要问题，与时间或空间上广泛分离的信息有关。“这个问题一直是人工智能中一个非常基本的问题，因为必须对序列预测任务中的长时间延迟进行推理，”他说。“虽然我不认为这篇论文完全解决了这个问题，但它对长期的依赖性任务(例如问答，文本摘要和联想召回)表现出了可喜的结果。”