L’IA impara a distinguere ciò che conta: un nuovo algoritmo supera il limite dei dati sbilanciati

Una nuova versione dell’algoritmo Daydreaming permette alle memorie artificiali di funzionare in modo affidabile anche con dati sbilanciati e imperfetti, come quelli del mondo reale

Trieste, 17 luglio 2026 – Di giorno il nostro cervello acquisisce nuovi ricordi, di notte, nel sonno, consolida quelli importanti ed elimina quelli inutili. Un principio simile è stato applicato alle reti di Hopfield, uno dei modelli classici di intelligenza artificiale ispirati al funzionamento del cervello. Nel 2025 Federico Ricci-Tersenghi e colleghi hanno sviluppato Daydreaming, un algoritmo che combina l’apprendimento di nuove memorie con l’eliminazione di quelle spurie, migliorando drasticamente la capacità della rete.

Rimaneva però un limite. Queste reti perdono efficacia quando lavorano con dati reali, che raramente sono perfettamente equilibrati (per esempio immagini molto chiare o molto scure, in cui prevalgono quasi esclusivamente pixel bianchi o neri). In un nuovo studio pubblicato sul Journal of Statistical Mechanics: Theory and Experiment (JSTAT), lo stesso ricercatore, in collaborazione con colleghi giapponesi, presenta una nuova versione dell’algoritmo, capace di gestire efficacemente anche dati realistici fortemente sbilanciati.

Le reti costituite da neuroni artificiali connessi tra loro, proposte da John Hopfield nel 1982 e che gli varranno il Nobel nel 2024, sono uno dei modelli più semplici di memoria associativa. “Ogni volta che vediamo un albero qualsiasi, il nostro cervello richiama il concetto di albero. Questa capacità di associare tante rappresentazioni diverse allo stesso concetto è ciò che chiamiamo memoria associativa”, spiega Federico Ricci-Tersenghi, professore di Fisica Teorica dell’Università La Sapienza di Roma, fra gli autori del nuovo studio.

La rete fa una cosa simile: se viene addestrata, per esempio, con immagini di alberi, cani e mele, quando “vede” una nuova immagine di un albero, di un cane o di una mela, anche se parzialmente degradata, è in grado di collegarla al concetto corretto.

La forma più semplice della rete di Hopfield può immagazzinare un numero di ricordi pari ad appena il 13% del numero dei suoi neuroni. Una rete con cento neuroni, quindi, può memorizzare solo 13 ricordi. Il resto della sua memoria viene occupato da “falsi ricordi, punti attrattivi della dinamica che non corrispondono a nessuna memoria reale”, spiega Ricci-Tersenghi. Questi ricordi spuri sono configurazioni che mescolano elementi dei ricordi reali – delle specie di allucinazioni – e, oltre a occupare spazio nella memoria della rete, possono indurla in errore.

Sognare ad occhi aperti

Per affrontare questo problema sono stati proposti algoritmi di dreaming, ispirati al ruolo del sonno nei cervelli biologici. Dopo la fase di apprendimento, la rete viene lasciata “sognare”: partendo da configurazioni casuali, esplora la propria memoria e cerca di ripulirla dai ricordi spuri. Se però il processo di “pulizia” viene prolungato troppo, la rete finisce per cancellare anche i ricordi corretti, un fenomeno noto come catastrophic forgetting.

Nel 2025 Ricci-Tersenghi e colleghi hanno proposto l’algoritmo Daydreaming che esegue apprendimento e pulizia contemporaneamente: la rete continua a rafforzare i ricordi corretti mentre elimina quelli spurii. “Abbiamo messo insieme l’apprendimento diurno con la fase di pulizia e consolidamento del sonno, come se sognassimo anche di giorno”, spiega il ricercatore. Grazie a questa strategia, la capacità della rete è aumentata fino al limite teorico del 100%, ovvero un ricordo per ogni neurone.

Restava però un altro problema, non risolto dal Daydreaming originale. Le reti di Hopfield funzionano molto bene quando vengono addestrate con dati perfettamente equilibrati. Nel caso di immagini in bianco e nero, per esempio, questo significa che il numero di pixel bianchi e quello di pixel neri sono circa uguali. I dati reali, però, sono raramente così ordinati. Pensiamo a fotografie fortemente sovraesposte, in cui quasi tutti i pixel sono bianchi, oppure a immagini molto scure. In questi casi le immagini diventano molto simili tra loro e la rete fatica a capire quali caratteristiche siano davvero importanti per distinguere un ricordo dall’altro.

Focalizzarsi sulle differenze

Le soluzioni proposte finora richiedevano operazioni globali sull’intera rete, poco plausibili dal punto di vista biologico. “È molto più realistico che ogni decisione venga presa localmente”, spiega Ricci-Tersenghi. I neuroni biologici, infatti, sono connessi a un numero limitato di altri neuroni e non comunicano mai con tutto il cervello.
Nel nuovo lavoro i ricercatori propongono una modifica locale dell’algoritmo Daydreaming basata sulle differenze.

Per capire è utile l’esempio del riconoscimento dei volti. Se tutte le fotografie sono primi piani con uno sfondo simile, molti pixel saranno praticamente identici in tutte le immagini. Le informazioni comuni rischiano di dominare l’apprendimento. “Se invece si lavora solo su quello che cambia rispetto alla faccia media, le differenze emergono chiaramente”, spiega Ricci-Tersenghi.

La nuova versione dell’algoritmo, chiamata Centered Daydreaming, non confronta più i valori assoluti dei pixel, ma le loro differenze rispetto alla media. Nello studio, il Centered Daydreaming ha mantenuto pressoché inalterata la capacità della rete di recuperare i ricordi anche con dati fortemente sbilanciati. Il risultato estende l’algoritmo a condizioni molto più vicine a quelle del mondo reale, senza rinunciare a regole di apprendimento locali, considerate più plausibili dal punto di vista biologico.

Comprendere come modelli semplici, ispirati al cervello, imparino a distinguere ciò che conta da ciò che è irrilevante, conclude Ricci-Tersenghi, potrebbe contribuire in futuro allo sviluppo di sistemi di intelligenza artificiale più facili da comprendere e più efficienti dal punto di vista energetico.

The post L’IA impara a distinguere ciò che conta: un nuovo algoritmo supera il limite dei dati sbilanciati first appeared on insalutenews.it.