هدف اصلی کار ارائه شده در این پروژه افزایش سرعت آموزش شبکه های عصبی با استفاده از فرآیند موازی سازی می باشد. در این پروژه سعی بر آن شده است تا از الگوریتم پس انتشار خطا بر روی شبکه های روبه رشد استفاده گردد. امروزه کامپیوترهای موازی بزرگ برای آزمایشگاههای تحقیقاتی و دانشگاه ها در دسترس است. بسیاری از اجراهای شبکه های عصبی در کامپیوترهای موازی گزارش شده است. اگر چه تحقیق کاربردهای عصبی در این پروژه نشان می دهد که اتصال کوچکی بین توسعه دهندگان کاربرد شبکه های عصبی و محققان فعال در زمینه کاربردهای موازی شبکه عصبی وجود دارد. بسیاری از برنامه های آموزشی عصبی اجرایی بر اساس فرضیه های غیر واقعی در مورد کاربردهای واقعی آزمایش شده است. به خودی خود برنامه موازی می تواند به طور تأثیر گذاری برای یک رتبه بزرگ از کاربردهای عصبی اجرا شود. چندین کاربرد از عصب واقعی در این کار برای آزمایش الگوریتم های موازی اجرا شده استفاده شده است. نتایج نشان می دهد نفع در این است که از تابع انعطاف پذیر استفاده شود. برای سیستم های موازی کوچک، بسیاری از اجراهای موازی می توانند به طور موثر آموزش ببینند. اگر چه اهمیت یک کار کاربردی قابل انعطاف برجسته تر از تعداد پردازشگرهایی است که افزایش می یابد؛ بنابراین برای به دست آمدن منفعت بیشتر از سیستم موازی بزرگ و درجات اصلی چندگانه موازی سازی در الگوریتم آموزشی، می بایست روش ترکیب جنبه های الگوریتم آموزشی بر طبق کاربرد عصبی به روز شود. همچنین دو آزمایش بر روی همگرایی پس انتشار شبکه عصبی آموزش دیده گزارش شده است. نتایج نشان می دهد که اگر تقسیم بندی مجموعه آموزشی استفاده شود تعداد بیشتری از تکرارها برای همگرایی در طرح موازی نیاز است. اگر چه همیشه مجموع زمان آموزشی مور نیاز با استفاده از کامپیوتر موازی در رابطه با یک کامپیوتر ترتیبی از ساعت به دقیقه کاهش پیدا کرده است.