Trong bài báo này, chúng tôi đề xuất một đơn vị tính toán nơ-ron thống nhất mới, nơ-ron APTx, tích hợp các phép kích hoạt phi tuyến tính và các phép biến đổi tuyến tính thành một biểu diễn có thể học được duy nhất. Nơ-ron APTx được suy ra từ hàm kích hoạt APTx và không yêu cầu một lớp kích hoạt riêng biệt, tạo ra một kiến trúc vừa hiệu quả về mặt tính toán vừa tinh tế. Nơ-ron được đề xuất có dạng hàm $y = \sum_{i=1}^{n} ((\alpha_i + \tanh(\beta_i x_i)) \cdot \gamma_i x_i) + \delta$, trong đó tất cả các tham số $\alpha_i$, $\beta_i$, $\gamma_i$ và $\delta$ đều có thể học được. Chúng tôi xác thực kiến trúc dựa trên nơ-ron APTx trên tập dữ liệu MNIST, đạt được độ chính xác kiểm tra lên đến 96,69% chỉ trong 20 kỷ nguyên với khoảng 332 nghìn tham số có thể học được. Những kết quả này làm nổi bật sức mạnh biểu đạt vượt trội và hiệu quả tính toán của tế bào thần kinh APTx so với tế bào thần kinh thông thường, đồng thời gợi ý một mô hình mới cho thiết kế và kiến trúc tế bào thần kinh tích hợp được xây dựng dựa trên chúng.
