Así funciona el algoritmo que imita al cerebro dormido para limpiar recuerdos falsos en los sistemas de IA

Un equipo de la Universidad Sapienza de Roma desarrolló una nueva versión de Daydreaming, un algoritmo para redes de Hopfield, modelos clásicos de memoria artificial inspirados en el cerebro, que permite a estos sistemas de inteligencia artificial manejar datos sesgados del mundo real sin perder su capacidad de recordar lo importante, un avance que apunta a modelos más comprensibles y con menor consumo de energía, según el portal especializado TechXplore.

El nuevo método, llamado Centered Daydreaming, mantuvo casi intacta la capacidad de recuperación de recuerdos de la red incluso cuando fue entrenada con datos fuertemente sesgados. El problema aparece en información poco equilibrada, como imágenes muy oscuras o sobreexpuestas, donde predominan casi por completo los píxeles negros o blancos.

Las redes de Hopfield, propuestas por John Hopfield en 1982, son uno de los modelos clásicos de memoria asociativa en IA. Federico Ricci-Tersenghi, profesor de física teórica de la universidad y uno de los autores del estudio, explicó: “Cada vez que vemos cualquier árbol, nuestro cerebro recuerda el concepto de árbol. A esta capacidad de asociar muchas representaciones distintas con un mismo concepto la llamamos memoria asociativa”.

La red funciona de forma parecida. Si fue entrenada con imágenes de árboles, perros y manzanas, puede vincular una imagen nueva de cualquiera de esos objetos con el concepto correcto, incluso cuando la imagen está parcialmente degradada.

Capacidad original limitada por recuerdos falsos

La forma más simple de una red de Hopfield solo puede almacenar una cantidad de recuerdos equivalente a cerca del 13% de su número de neuronas. Una red con 100 neuronas, por ejemplo, apenas puede guardar 13 recuerdos.

El resto de la memoria queda ocupado por “recuerdos falsos, atractores de la dinámica que no corresponden a ningún recuerdo real”, detalló Ricci-Tersenghi. Esos recuerdos espurios mezclan elementos de recuerdos verdaderos, como una clase de alucinación, y además de ocupar espacio pueden inducir errores.

Para resolver ese problema se propusieron algoritmos inspirados en el papel del sueño en el cerebro biológico. Tras la fase de aprendizaje, la red queda “soñando”: parte de configuraciones aleatorias, explora su propia memoria e intenta limpiarla de recuerdos espurios.

Ese proceso tenía un límite claro. Si la limpieza se prolonga demasiado, la red también borra recuerdos correctos, un fenómeno conocido como olvido catastrófico.

En 2025, el equipo presentó Daydreaming, una técnica que combina al mismo tiempo el aprendizaje de recuerdos nuevos con la eliminación de los espurios. “Combinamos el aprendizaje diurno con la fase de limpieza y consolidación del sueño, como si también estuviéramos soñando durante el día”, dijo el investigador.

Gracias a esa estrategia, la capacidad de la red subió hasta el límite teórico del 100%: un recuerdo por cada neurona. Aun así, quedaba una limitación importante: el algoritmo original no resolvía qué ocurría cuando los datos no estaban equilibrados.

Un método enfocado en las variaciones del promedio

Las redes de Hopfield funcionan muy bien con datos perfectamente balanceados. En imágenes en blanco y negro, eso implica que la cantidad de píxeles blancos y negros sea aproximadamente la misma.

Los datos reales rara vez tienen ese orden. En fotografías muy sobreexpuestas, casi todos los píxeles pueden ser blancos; en imágenes muy oscuras, puede ocurrir lo contrario. En esos casos, las imágenes se vuelven muy parecidas entre sí y la red tiene dificultades para identificar qué rasgos distinguen de verdad un recuerdo de otro.

Las soluciones planteadas hasta ahora requerían operaciones globales sobre toda la red. Según el autor citado, ese enfoque resulta poco plausible desde el punto de vista biológico, porque las neuronas reales se conectan con un número limitado de otras neuronas y no se comunican con todo el cerebro.

La nueva propuesta introduce una modificación local del algoritmo basada en diferencias. La idea puede entenderse con un ejemplo de reconocimiento facial: si todas las fotos son primeros planos con un fondo similar, muchos píxeles serán casi idénticos en todas las imágenes y esa información compartida puede dominar el aprendizaje.

“Si, en cambio, trabajamos solo sobre lo que cambia respecto del rostro promedio, las diferencias aparecen con claridad”, explicó el investigador. En lugar de comparar valores absolutos de los píxeles, Centered Daydreaming compara su desviación respecto del promedio.

El estudio, publicado en Journal of Statistical Mechanics: Theory and Experiment (JSTAT), mostró que esta versión extiende el algoritmo a condiciones mucho más cercanas a las del mundo real sin abandonar reglas de aprendizaje locales, que los investigadores consideran más plausibles desde el punto de vista biológico.

Para los autores, entender cómo estos modelos simples inspirados en el cerebro aprenden a separar lo relevante de lo irrelevante podría contribuir en el futuro al desarrollo de sistemas de inteligencia artificial más fáciles de interpretar y más eficientes en consumo de energía.