Algoritmo Daydreaming amplia capacidade de memória das redes Hopfield
Pesquisadores desenvolveram um novo algoritmo de inteligência artificial inspirado no processo de consolidação de memórias realizado pelo cérebro humano durante o sono. Batizado de Daydreaming, o método foi criado pelo pesquisador Federico Ricci-Tersenghi e seus colegas em 2025 e tem como objetivo aprimorar significativamente o desempenho das redes Hopfield, um dos modelos clássicos da inteligência artificial baseado no funcionamento do cérebro.
Durante o dia, o cérebro humano absorve diversas informações e forma novas memórias. À noite, durante o sono, ocorre um processo natural de consolidação, no qual as memórias consideradas importantes são reforçadas e armazenadas de forma mais permanente, enquanto as informações irrelevantes ou espúrias são descartadas. Esse mecanismo biológico serviu de inspiração direta para a criação do algoritmo Daydreaming, que replica a lógica de separar o que deve ser retido do que pode ser eliminado.
As redes Hopfield são modelos de inteligência artificial amplamente estudados desde a década de 1980 e foram projetados para armazenar e recuperar padrões de informação de maneira associativa, ou seja, a partir de uma versão parcial de um dado, a rede consegue reconstruir o original. Esse funcionamento se assemelha à forma como o cérebro humano recorda memórias a partir de pistas fragmentadas. No entanto, um dos grandes desafios históricos desse modelo é a capacidade limitada de armazenamento, especialmente quando os dados apresentam alto grau de correlação entre si.
O algoritmo Daydreaming foi desenvolvido justamente para superar essa limitação. De acordo com a pesquisa publicada em 2025, o método combina duas etapas fundamentais: o aprendizado contínuo de novos padrões e a eliminação simultânea das chamadas memórias espúrias, que são padrões artificiais gerados pela própria rede durante o processo de treinamento e que não correspondem a dados reais. Ao reforçar as memórias legítimas e descartar as falsas ao mesmo tempo, o algoritmo consegue ampliar de forma expressiva a capacidade de armazenamento das redes Hopfield.
Os resultados apresentados pelos pesquisadores indicam que o Daydreaming atinge um desempenho considerado ótimo quando treinado com exemplos aleatórios e não correlacionados, tanto no tamanho das bacias de atração, que determinam a robustez da recuperação dos dados, quanto na qualidade da reconstrução dos padrões armazenados. A bacia de atração pode ser entendida como o conjunto de estados a partir dos quais a rede consegue chegar a uma memória correta. Quanto maior essa bacia, mais confiável é o sistema.
Além do bom desempenho com dados aleatórios, o algoritmo também se mostrou eficaz ao lidar com dados correlacionados, obtidos por meio do modelo de características aleatórias. Nessas situações, o Daydreaming consegue identificar e explorar espontaneamente as correlações presentes nos dados, o que resulta em um aumento ainda maior da capacidade de armazenamento e da robustez das bacias de atração. Outro ponto destacado pelos autores é que o método é capaz de estabilizar características relevantes escondidas nos próprios dados.
Os pesquisadores também avaliaram o algoritmo em um cenário mais realista, utilizando o conjunto de dados MNIST, que reúne imagens de dígitos manuscritos bastante utilizado em testes de algoritmos de aprendizado de máquina. Mesmo nesse contexto mais complexo, o Daydreaming apresentou resultados surpreendentes, produzindo atratores, que são os estados estáveis para os quais a rede converge, muito próximos de exemplos nunca vistos durante o treinamento e também dos protótipos de cada classe de dígitos.
O estudo, intitulado Daydreaming Hopfield Networks and their surprising properties, foi publicado em 2025 e tem entre seus autores L. Serricchio e Federico Ricci-Tersenghi. O trabalho representa um avanço relevante no campo das redes neurais associativas, ao demonstrar que princípios biológicos simples, como a separação entre a aquisição de informações e a consolidação posterior, podem ser traduzidos em soluções computacionais eficazes para problemas clássicos da inteligência artificial.
Com o Daydreaming, a comunidade científica ganha mais uma ferramenta para compreender e expandir as capacidades dos modelos de memória associativa, mostrando que a inspiração no cérebro humano continua sendo uma fonte fértil de inovação para o desenvolvimento de sistemas artificiais cada vez mais eficientes.
