Un projet nommé Thermo-NN propose d'optimiser l'architecture des réseaux de neurones en minimisant le coût informationnel thermodynamique basé sur le principe de Landauer, plutôt que de s'appuyer sur le compromis standard entre les FLOPs et le nombre de paramètres.
L'approche utilise une étape de dérivation causale appelée CAMOS avant de mapper les résultats au matériel. Elle postule que la destruction d'informations inutile au sein d'un réseau peut contribuer à un échec d'alignement, suggérant que la préservation des informations physiques pourrait servir de contrainte utile aux côtés des méthodes d'interprétabilité.
Actuellement, le projet ne présente qu'un pipeline conceptuel sans benchmarks publiés ni chiffres de performance, il est donc considéré comme une idée intéressante à suivre plutôt que comme une technologie éprouvée.