Il cervello umano trascorre le ore di veglia acquisendo nuove informazioni, mentre durante il sonno seleziona ciò che vale la pena conservare ed elimina i ricordi inutili. È un meccanismo essenziale per evitare che la memoria si riempia di informazioni irrilevanti. Un principio analogo ispira una nuova ricerca pubblicata sul Journal of Statistical Mechanics: Theory and Experiment (JSTAT), che propone un algoritmo capace di migliorare il funzionamento di uno dei modelli più classici dell’intelligenza artificiale ovvero le reti di Hopfield.

Lo studio è firmato da Federico Ricci-Tersenghi, professore di Fisica teorica alla Sapienza Università di Roma, insieme a un gruppo di ricercatori giapponesi, e rappresenta l’evoluzione di Daydreaming, un algoritmo sviluppato nel 2025 dallo stesso gruppo. La nuova versione, denominata Centered Daydreaming, permette alle reti di apprendere in modo efficace anche quando lavorano con dati realistici e fortemente sbilanciati, una condizione molto comune nelle applicazioni pratiche.

Le reti di Hopfield, introdotte nel 1982 dal fisico John Hopfield – premio Nobel per la Fisica nel 2024 – rappresentano uno dei modelli più semplici di memoria associativa. Il loro funzionamento richiama una capacità fondamentale del cervello umano, quella di riconoscere uno stesso concetto anche quando si presenta in forme differenti.

Quando osserviamo un albero, ad esempio, non importa che sia grande o piccolo, verde o spoglio, il cervello richiama immediatamente il concetto di “albero”. Allo stesso modo, una rete di Hopfield addestrata con immagini di alberi, cani o mele riesce a riconoscere nuove immagini degli stessi oggetti anche se incomplete o parzialmente degradate.

Questo modello presenta però un limite importante. Una rete composta da cento neuroni artificiali può immagazzinare soltanto circa tredici ricordi reali. Il resto della sua capacità viene occupato da configurazioni spurie, una sorta di “falsi ricordi” generati dalla combinazione di elementi appartenenti a memorie differenti. Queste rappresentazioni non solo consumano spazio, ma possono anche indurre la rete a recuperare informazioni errate.

Per superare questo problema, negli ultimi anni sono stati sviluppati algoritmi ispirati al ruolo del sonno nel cervello. Dopo la fase di apprendimento, la rete viene lasciata “sognare”. Partendo da configurazioni casuali, esplora il proprio spazio di memoria eliminando progressivamente i ricordi spurii. Questa strategia presenta però un inconveniente. Se la fase di pulizia dura troppo a lungo, la rete finisce per cancellare anche le memorie corrette, un fenomeno noto come catastrophic forgetting.

Per evitarlo, nel 2025 Ricci-Tersenghi e colleghi avevano sviluppato Daydreaming, un algoritmo che combina apprendimento e consolidamento in un unico processo. La rete continua, infatti, a rafforzare i ricordi autentici mentre elimina quelli indesiderati, come se “sognasse a occhi aperti”. Grazie a questo approccio la capacità teorica della rete aumenta fino a raggiungere un ricordo per ogni neurone, il massimo consentito dal modello.

Nonostante questi risultati, rimaneva una difficoltà importante. Le reti di Hopfield funzionano molto bene quando vengono addestrate con dati perfettamente bilanciati, ma le informazioni del mondo reale raramente lo sono. Nel caso delle immagini, ad esempio, una fotografia molto luminosa contiene soprattutto pixel chiari, mentre una molto scura è dominata dai pixel neri. In situazioni di questo tipo le immagini tendono ad assomigliarsi molto tra loro e la rete fatica a capire quali caratteristiche siano davvero utili per distinguerle.

Le soluzioni proposte finora richiedevano operazioni che coinvolgevano contemporaneamente tutta la rete neurale, un approccio poco realistico anche dal punto di vista biologico, dato che i neuroni del cervello comunicano soltanto con un numero limitato di altri neuroni.

La nuova ricerca affronta il problema con una strategia più semplice e più vicina al funzionamento del cervello.

L’idea alla base di Centered Daydreaming consiste nel non considerare più i valori assoluti dei dati, ma le loro differenze rispetto alla media. È un po’ come osservare una serie di fotografie di volti. Invece di analizzare tutti i dettagli comuni a ogni immagine, il sistema si concentra soltanto su ciò che distingue ciascun volto dalla “faccia media”. In questo modo le informazioni veramente caratteristiche emergono con maggiore chiarezza, mentre gli elementi condivisi, che rischierebbero di confondere l’apprendimento, vengono automaticamente ridimensionati.

I risultati mostrano che questa modifica permette alla rete di mantenere quasi inalterata la propria capacità di recuperare correttamente i ricordi anche quando lavora con dati fortemente sbilanciati, estendendo l’efficacia dell’algoritmo a condizioni molto più simili a quelle incontrate nelle applicazioni reali.

Oltre a migliorare le prestazioni delle reti di Hopfield, il nuovo algoritmo offre uno spunto più generale per la ricerca sull’intelligenza artificiale. Comprendere come modelli semplici, ispirati ai meccanismi del cervello, riescano a distinguere le informazioni rilevanti da quelle irrilevanti potrebbe, infatti, contribuire allo sviluppo di sistemi di IA più interpretabili, meno energivori e più efficienti.