サーチアクセスに用いるカオス系のニューラルネットワークのニューロンモデルは，
第 4.3 節で説明した，式 (4.4) の内部状態を
式 (4.6) に置き換え，
前節で説明したシナプス前抑制関数 
を考慮に入れたもので，
次式のように表される。
なお，この式は図 6.1 の破線内部を意味する。
ここで，Z(t) は離散的時間 t におけるシナプス前抑制入力信号である。
また，しきい値 
はどの i に対しても一定として扱う
（ 
）。
この式から，従来のニューロンは，
カオスニューロンの内部定数 
, 
, 
を 0 にし，
出力関数を階段関数 ( 
) としたものであることが
わかる[10]。
したがって，ニューロンのカオスは，
この内部定数と「全か無かの法則」（入出力の値が 0 か 1 をとること）の不成立
ゆえに成立する[6]。
ここで，自己相関学習により，図 1.1 の特殊なパターンを学習させ， この式を使って想起させた例を図 6.4 に示す[2]。 シナプス前抑制を加え続けると， 不応性のためネットワークの状態は平衡点にとどまることはなく， 非周期的に様々なパターンを想起していく。 したがってこの図のように， 学習させたパターンやその反転（白黒を入れ換えたもの）パターンを， 非周期的に想起することができる。 この例のように記憶したパターンをすべて早い時間で想起できるカオス状態は， サーチアクセスを行う上で特に理想的である。
