Ta zależność jest prawdziwa, gdy maszyna znajduje się w stanie "równowagi termicznej", co oznacza, że rozkład prawdopodobieństwa stanów globalnych ustabilizował się.
Proces obliczeniowy zaczyna się zakładając wysoką temperaturę sieci, po czym temperaturę obniża się stopniowo, aż sieć osiągnie równowagę termiczną przy niższej temperaturze. Może wtedy zbiegać do rozkładu, w którym poziom energii oscyluje wokół minimum globalnego. Proces ten nazywa się wyżarzaniem.
Aby wytrenować sieć w taki sposób, by miała szansę zbiegać do stanu globalnego zgodnie z zewnętrznym rozkładem nad tymi stanami, wagi muszą być ustawione tak, aby stany globalne o najwyższych prawdopodobieństwach otrzymywały najniższe energie. Odbywa się to poprzez proces uczenia.
Uczenie Neurony w maszynie Boltzmanna dzielą się na neurony „widoczne”, V, oraz neurony „ukryte”, H. Neurony widoczne to te, które otrzymują informacje ze „środowiska”, tj. zbiór treningowy to zbiór wektorów binarnych nad zestawem V. Rozkład nad zbiorem treningowym oznaczamy jako .
Rozkład nad globalnymi stanami zbiega się, gdy maszyna Boltzmanna osiąga równowagę termiczną. Oznaczamy ten rozkład, po zeskalowaniu go po neuronach ukrytych, jako .