研究团队首先分析了影响容错性的关键因素，通过MemSim的忆阻器模拟平台来研究不同深度神经网络架构对模拟噪声鲁棒性的影响。着重探究了四个可能的影响因素，包括Dropout噪声、归一化、模型复杂度和激活函数。实验结果表明，具有Dropout层的网络在训练过程中随机去除参数，从而能够提高对缺失参数的鲁棒性，增强了网络对参数漂移的抵抗能力。此外，在适当的噪声注入设置下，自动搜索最优的神经网络架构至关重要。基于这些发现，研究人员提出使用贝叶斯优化的噪声注入方法（BayesFT）来搜索最优的Dropout Rates。同时，研究对不同的注入噪声的分布模型进行了数学论证，在理论上证明了Dropout噪声的有效性。实验显示，该方法在有噪的模拟计算设备上，对于复杂任务可实现网络检测精准度的显著提升。