본 논문은 목표 정확도를 높이기 위해 새로운 신경망을 매번 구성하는 대신, 한 번 네트워크를 구성하고 실행 시간을 늘려 정확도를 높일 수 있는지 연구해요. 연구 결과, 모든 연속 함수는 고정된 가중치와 은닉 차원을 가진 ReLU 순환 신경망의 시간 변화를 통해 균일하게 근사될 수 있어요. 핵심은 Turing 기계와 신경 단위(TMNU)를 결합한 새로운 중간 모델을 활용하는 방식이에요.
TMNU는 다항식 근사 체계를 구현하는 데 필요한 알고리즘적 자유도를 유지하면서도, 은닉 차원과 가중치 크기에 대한 명시적 경계 내에서 RNN으로 시뮬레이션할 수 있을 만큼 충분히 엄격해요. 결과적으로 수렴 속도는 근본적인 다항식 근사율을 반영해요.
최소 최대 경계 하한(minimax lower bounds)을 통해 실행 시간은 단순한 증명 결과가 아니라, 고정 네트워크 근사 패러다임에서 피할 수 없는 자원임을 확인했어요.