Um projeto chamado Thermo-NN propõe otimizar a arquitetura de redes neurais minimizando o custo de informação termodinâmica com base no princípio de Landauer, em vez de depender da troca padrão entre FLOPs e contagem de parâmetros.
A abordagem utiliza uma etapa de derivação causal chamada CAMOS antes de mapear os resultados para o hardware. Ela postula que a destruição desnecessária de informação dentro de uma rede pode contribuir para falhas de alinhamento, sugerindo que preservar a informação física poderia servir como uma restrição útil junto com métodos de interpretabilidade.
Atualmente, o projeto apresenta apenas um pipeline conceitual sem benchmarks publicados ou números de desempenho, portanto é considerado uma ideia interessante digna de acompanhamento em vez de tecnologia comprovada.