従来のHopfieldニューラルネットワークモデルの連想動作においては、スプリアスメモリーにトラップされるため、ニューラルネットワークの連想性能が低下する。スプリアスメモリーを潰すために、負性抵抗領域を導入した、逆関数遅延モデル(ID)が提案された。スプリアスメモリーにおけるパターンを不安定化することにより、学習させた記憶パターンへの収束を実現した。しかしIDモデルは時定数を二つ持ち、計算コストが大きいという欠点がある。本文ではIDモデルの広い引き込み領域(basin size)を維持しつつ、計算コストを下げるために提案した逆関数ゼロ遅延(IDL)モデル[1]の連想動作における、想起の過程(overlap)、引き込み領域(basin size)と計算ステップを検証する。