人的耳朵是一个非常精巧的声音处理系统，总体来说，声音引起鼓膜振动，经过听小骨传递到耳蜗后，形成神经脉冲传到大脑中形成声音感知，在这一过程中，耳蜗是物理振动转换成神经电信号的核心部件，很多人耳感知的特性就是在这里形成的，例如，当一个声音已经存在且音量较高时，我们将很难感知另一个频率差不多的声音，类似的，当两个强音之间，夹杂一个短暂的低音或噪音，我们也很难察觉这些短暂变化的存在，这一现象称为人耳的掩蔽效应。

这些感知特性和声音信号在耳蜗中的处理过程相关，声音在耳蜗中的传导是一个频率选择的过程，当传导到耳蜗的不同位置时，对某一特定频率产生反应。这些反应互相叠加组合，从而形成了复杂神经信号，为描述这一感知过程，科学家们提出了一种称为传输线的计算模型，这一模型将耳蜗分成若干段，每一段描述为一个差分方程，可以很精确的描述耳蜗的生理特性，可惜传输线模型计算量太大，很难用到实际系统中。

2021年2月8日，自然机器智能杂志刊载了一篇论文，用机器学习方法解决了传输线模型的计算问题。在这篇论文中，作者将耳蜗分成210段简历传输线模型，然后利用一个称为connear的卷积神经网络来近似传输线模型的输出，实验表明，这个可以对传输模型做很好的近似，而计算效率提高了2000倍。

这张图给出了connear对传输线模型的近似结果，其中第一行为原始声音，第二行为传输线模型的输出，类似人耳的真实响应，第三行为CONNEAR的近似结果，可以看到，速度提高2000倍的connear在预测结果上和传输线模型非常相似，验证了这一方法的有效性。

Connear带来的启发是利用机器学习，一些计算很复杂的传统方法有可能用神经网络进行合理的近似，从而极大提高传统方法的应用范围，同时，传统方法的理论基础又为神经网络学习提供了约束，从而提高神经网络的可信性。