Como um 'sogno a occhi aperti' digital melhora a memória da IA em dados incompletos

Um novo algoritmo inspirado nos mecanismos com que o cérebro consolida memórias durante o sono permite aos sistemas de inteligência artificial distinguir com maior eficácia as informações realmente relevantes, mesmo quando os dados são incompletos, enviesados ou ruidosos — condições típicas de aplicações reais. O estudo, liderado por Federico Ricci-Tersenghi da Sapienza Università di Roma em colaboração com pesquisadores japoneses, foi publicado no Journal of Statistical Mechanics: Theory and Experiment (JSTAT) e apresenta uma evolução do algoritmo conhecido como Daydreaming.

O trabalho parte da análise das redes de Hopfield, um modelo clássico de memória associativa inspirado no funcionamento cerebral. Introduzidas em 1982 por John Hopfield — laureado com o Nobel de Física em 2024 —, essas redes conseguem reconhecer padrões mesmo quando a informação disponível está degradada ou parcial, associando diferentes representações ao mesmo conceito. Na prática, porém, a versão mais simples dessas redes armazena um número limitado de lembranças: uma rede com 100 neurônios artificiais retém apenas cerca de 13 memórias, enquanto o restante da configuração da rede é tomado por estados espúrios — uma espécie de "falsos lembranças" que podem atrapalhar o reconhecimento correto.

Para contornar esse problema já haviam sido propostos algoritmos inspirados no sono, nos quais a rede efetua um processo de 'sonho' que explora sua própria memória e elimina configurações indesejadas. Um sonho excessivamente longo, contudo, pode apagar também as lembranças verdadeiras, levando ao chamado esquecimento catastrófico. Em 2025, Ricci-Tersenghi e colaboradores apresentaram o Daydreaming, que realiza simultaneamente aprendizado e limpeza da memória: enquanto reforça memórias corretas, suprime progressivamente os estados espúrios, permitindo alcançar a capacidade teórica de uma lembrança por neurônio artificial.

Permaneceu, entretanto, uma limitação importante. As redes de Hopfield otimizam seu funcionamento quando os dados estão perfeitamente balanceados — condição raramente atendida no mundo real. Fotografias muito claras ou muito escuras, sensores com leituras majoritariamente iguais ou bases com classes desiguais geram um forte viés que faz com que diferentes amostras passem a se parecer demais, dificultando a identificação dos elementos realmente distintivos.

Para enfrentar esse desafio, os autores desenvolveram o Centered Daydreaming, uma nova versão do algoritmo que, em vez de comparar valores absolutos dos dados, trabalha com as diferenças em relação à média. É um princípio análogo ao reconhecimento facial: em vez de focar nas características que todos os rostos compartilham, o sistema aprende o que distingue cada rosto da média dos demais. Ao "centralizar" as amostras, o algoritmo reduz a influência de componentes comuns e enfatiza os sinais discriminativos, tornando a rede mais robusta frente ao desequilíbrio.

O impacto prático deste avanço é direto para sistemas implantados em ambientes urbanos e infraestruturas sensoriais: desde câmeras de vigilância que operam sob condições de iluminação variáveis até redes de sensores ambientais que geram leituras enviesadas, o Centered Daydreaming aparece como uma camada de inteligência capaz de filtrar ruído e preservar memorias relevantes sem custos computacionais excessivos. Em termos de arquitetura digital, estamos diante de um refinamento nos "alicerces digitais" — um ajuste no fluxo de dados que melhora a eficiência do reconhecimento e a resiliência do sistema nervoso das cidades inteligentes.

Em resumo, a evolução proposta por Ricci-Tersenghi e equipe mostra que estratégias inspiradas no sono cerebral continuam a oferecer soluções práticas para limitações fundamentais de memória em IA. Ao centrar a comparação nos desvios em relação à média, o Centered Daydreaming amplia a aplicabilidade das redes de Hopfield em cenários reais, reduzindo falsos lembranças e preservando informações críticas, sem cair no exagero de expectativas futuristas: trata-se de engenharia de algoritmos a serviço da robustez e da integração eficiente em sistemas complexos.