Centered Daydreaming aumenta la memoria de Hopfield en datos desordenados

Memoria inspirada en el cerebro, mejorada para datos desordenados

Durante el día, el cerebro humano adquiere nuevos recuerdos; durante el sueño, consolida los importantes y elimina el resto.

Federico Ricci-Tersenghi y sus colaboradores han estado aplicando una idea similar a las redes de Hopfield, uno de los modelos clásicos inspirados en el cerebro para la memoria asociativa. En 2025 presentaron Daydreaming, un algoritmo que aprende nuevos recuerdos mientras elimina los espurios, aumentando dramáticamente la capacidad de almacenamiento.

Quedaba una limitación clave: estas redes tenían problemas con datos sesgados del mundo real, como imágenes muy claras o muy oscuras en las que un valor de píxel domina. Un nuevo estudio en Journal of Statistical Mechanics: Theory and Experiment (JSTAT) presenta una versión mejorada del algoritmo diseñada para manejar precisamente eso.

Redes de Hopfield y su techo de memoria

Las redes de Hopfield, propuestas por John Hopfield en 1982 —trabajo que más tarde le valdría el Premio Nobel en 2024— están entre los modelos más sencillos de memoria asociativa.

«Siempre que vemos un árbol, nuestro cerebro recuerda el concepto de árbol. Esta capacidad de asociar muchas representaciones diferentes con el mismo concepto es lo que llamamos memoria asociativa», explica Ricci-Tersenghi, profesor de física teórica en la Sapienza Università di Roma.

Entrenada con imágenes de árboles, perros y manzanas, una red de Hopfield puede asociar una imagen nueva, incluso degradada, con el concepto correcto. Pero el modelo clásico tiene un límite duro: solo puede almacenar alrededor del 13 % del número de memorias en relación con el número de neuronas.

Recomendado

El laboratorio de Mira Murati presenta Inkling, un modelo abierto de 975 000 millones de p

«Una red con 100 neuronas, por tanto, solo puede almacenar 13 memorias», explica Ricci-Tersenghi.

El resto de su capacidad es consumido por falsos recuerdos: atractores espurios que mezclan elementos de patrones reales, una especie de alucinación que tanto desperdicia memoria como puede confundir la recuperación.

De soñar a Daydreaming

Para combatir los recuerdos espurios, los investigadores propusieron algoritmos de «soñar». Tras el entrenamiento, se deja que la red explore su propio espacio de atractores desde puntos iniciales aleatorios, intentando limpiar los falsos recuerdos.

Si esta limpieza se extiende demasiado, sin embargo, el modelo empieza a borrar también patrones verdaderos, un modo de fallo conocido como olvido catastrófico.

En 2025, Ricci-Tersenghi y colegas introdujeron Daydreaming, que fusiona aprendizaje y limpieza en un único proceso. La red fortalece continuamente las memorias correctas mientras suprime las espurias.

«Combinamos el aprendizaje diurno con la fase de limpieza y consolidación del sueño, como si también estuviéramos soñando durante el día», explica el investigador.

Con esta estrategia, la capacidad de la red saltó hasta el límite teórico del 100 % —efectivamente una memoria por neurona— al menos bajo datos de entrenamiento ideales y equilibrados.

Cuando los datos sesgados rompen el modelo

El algoritmo Daydreaming original asume datos equilibrados. Para imágenes en blanco y negro, eso significa aproximadamente igual número de píxeles blancos y negros.

Las entradas reales no se parecen en nada a eso. Fotos sobreexpuestas con casi todos los píxeles blancos o escenas muy oscuras están fuertemente sesgadas, y tales imágenes se vuelven demasiado similares entre sí. La red entonces tiene dificultades para identificar qué características distinguen realmente una memoria de otra.

Las soluciones anteriores dependían de operaciones globales en toda la red, que, apunta Ricci-Tersenghi, son biológicamente poco plausibles: las neuronas reales solo se conectan a un vecindario limitado y nunca comunican con todo el cerebro a la vez.

«Es mucho más realista que cada decisión se tome de forma local», explica Ricci-Tersenghi.

Centered Daydreaming: aprender solo las diferencias

En su nuevo trabajo, el equipo propone una modificación local de Daydreaming basada en diferencias en lugar de valores absolutos.

Un ejemplo de reconocimiento facial capta la idea. Si todas las fotos son primeros planos con fondos similares, muchos píxeles son casi idénticos entre las imágenes. Esa información compartida puede dominar el aprendizaje y ahogar la señal útil.

«Si, en cambio, trabajamos solo con lo que cambia respecto a la cara promedio, las diferencias emergen con claridad», explica Ricci-Tersenghi.

El nuevo algoritmo, Centered Daydreaming, ya no compara valores de píxel en bruto. Compara desviaciones respecto al patrón promedio.

Según el estudio, Centered Daydreaming mantiene el rendimiento de recuperación de memoria de la red casi sin cambios incluso con datos fuertemente sesgados. Eso extiende el enfoque Daydreaming a condiciones mucho más cercanas a las entradas del mundo real, al tiempo que preserva reglas de aprendizaje locales que siguen siendo más realistas desde el punto de vista biológico.

Ricci-Tersenghi sostiene que entender cómo modelos tan simples e inspirados en el cerebro aprenden a separar señal y ruido podría eventualmente apoyar sistemas de inteligencia artificial más interpretables y energéticamente eficientes.

Más información: Daydreaming algorithm for Biased Patterns, Journal of Statistical Mechanics Theory and Experiment (2026).