AGI - Un nuovo algoritmo ispirato ai meccanismi con cui il cervello consolida i ricordi durante il sonno permette ai sistemi di intelligenza artificiale di distinguere con maggiore efficacia le informazioni realmente importanti anche quando devono elaborare dati incompleti, sbilanciati o rumorosi, condizioni tipiche delle applicazioni reali.
Il risultato è stato ottenuto da Federico Ricci-Tersenghi, della Sapienza Università di Roma, insieme a colleghi giapponesi, in uno studio pubblicato sul Journal of Statistical Mechanics: Theory and Experiment (JSTAT), che presenta una nuova evoluzione dell'algoritmo Daydreaming.
Il lavoro nasce dallo studio delle reti di Hopfield, uno dei modelli classici di intelligenza artificiale ispirati al funzionamento della memoria associativa del cervello umano. Queste reti, introdotte nel 1982 da John Hopfield, premio Nobel per la Fisica nel 2024, sono in grado di riconoscere un oggetto anche quando l'informazione disponibile è incompleta o parzialmente degradata, associando rappresentazioni diverse allo stesso concetto.
Nella loro forma più semplice, tuttavia, queste reti possono memorizzare un numero limitato di informazioni. Una rete composta da cento neuroni artificiali riesce infatti a conservare soltanto circa tredici ricordi, mentre il resto della memoria viene occupato da configurazioni spurie, una sorta di "falsi ricordi" che possono compromettere il riconoscimento corretto delle informazioni. Per affrontare questo problema erano già stati sviluppati algoritmi ispirati al sonno, nei quali la rete 'sogna' esplorando casualmente la propria memoria ed eliminando le configurazioni indesiderate. Un processo troppo prolungato, pero', rischia di cancellare anche i ricordi autentici, provocando il cosiddetto 'catastrophic forgetting'.
Nel 2025 Ricci-Tersenghi e collaboratori avevano proposto Daydreaming, un algoritmo che esegue simultaneamente apprendimento e pulizia della memoria. Mentre rafforza i ricordi corretti, elimina progressivamente quelli spurii, consentendo alla rete di raggiungere la capacita' teorica massima di un ricordo per ogni neurone artificiale. Rimaneva pero' un limite importante. Le reti di Hopfield funzionano in modo ottimale solo con dati perfettamente bilanciati, mentre nella realtà le informazioni presentano spesso forti squilibri, come fotografie molto luminose o molto scure, nelle quali la maggior parte dei pixel assume lo stesso valore. In questi casi le immagini tendono ad assomigliarsi e diventa difficile individuare gli elementi realmente distintivi.
Per superare questa difficoltà i ricercatori hanno sviluppato Centered Daydreaming, una nuova versione dell'algoritmo che, invece di confrontare direttamente i valori assoluti dei dati, considera soltanto le differenze rispetto alla media. È un principio analogo al riconoscimento dei volti: anziché concentrarsi sulle caratteristiche comuni a tutte le persone, il sistema apprende gli elementi che distinguono ciascun volto dalla media degli altri.
Secondo gli autori, questo approccio consente alla rete di mantenere quasi inalterata la capacità di recuperare i ricordi anche quando i dati sono fortemente sbilanciati, senza ricorrere a operazioni globali sull'intera rete. La procedura utilizza infatti regole di apprendimento locali, considerate più realistiche anche dal punto di vista biologico, poiché imitano il modo in cui i neuroni comunicano realmente tra loro. "Abbiamo combinato l'apprendimento diurno con la fase di pulizia e consolidamento tipica del sonno, come se continuassimo a sognare anche durante il giorno", spiega Federico Ricci-Tersenghi.
Secondo il ricercatore, comprendere come modelli semplici ispirati al cervello imparino a distinguere ciò che è rilevante da ciò che non lo è potrebbe contribuire allo sviluppo di sistemi di intelligenza artificiale più comprensibili, robusti ed efficienti dal punto di vista energetico.