Le reti neurali artificiali sono modellate dalle reti neurali biologiche che costituiscono il nostro cervello; sono usati per consentire ai computer di apprendere in modo simile a come il nostro cervello impara. Ad esempio, impariamo a differenziare i concetti nel tempo attraverso la ripetizione, dopo aver visto così tante varietà di alberi e di fiori, impariamo qual è il modello di un albero e possiamo riconoscere gli alberi in futuro anche se è una nuova varietà. Alcune caratteristiche di alberi-ramo-foglie-tronco-sono note per essere connesse, e quando vengono attivate insieme riconosciamo, questo è un albero. Una rete neurale artificiale agisce in modo simile; le connessioni tra i neuroni artificiali si rafforzano nel tempo se vengono frequentemente attivate insieme, in quello che viene definito apprendimento “hebbiano”.
Tuttavia, questo modello non è infallibile, perché questa forma di apprendimento diretto può portare rapidamente a connessioni sovra-dominanti che inibiscono l’apprendimento creativo. Ad esempio, quando le connessioni tra branch-leaves-trunk-Tree sono troppo potenti, qualsiasi input rilevante, come le foglie su un quadrifoglio, potrebbe essere dirottato dalla rete ad albero, e altri possibili percorsi vengono trascurati. Questo è chiamato un “ciclo di feedback restrittivo”, perché un insieme di connessioni limita la formazione di qualsiasi altro e sostanzialmente si rafforza ripetutamente su se stesso al di sopra di tutti gli altri.
Un recente articolo (Thiele, Diehl, & Cook, 2017) ha proposto di implementare un algoritmo di “veglia-sonno” su un modello di rete neurale artificiale per correggere questo problema. La fase di sonno spegnerebbe essenzialmente la modalità di apprendimento hebbiano temporaneamente, cioè disattiverebbe la forza delle connessioni e invece consentirebbe l’input casuale di correre attraverso la rete senza pregiudizi. Questo è paragonato al processo di sognare negli umani.
Nel frattempo, nel campo della ricerca sui sogni umani, sono stati proposti modelli simili per descrivere le funzioni di “disimparare” dello stato di sonno / sogno REM. In 2 recenti articoli teorici, gli autori Malinowski e Horton (2015) suggeriscono un processo di “decontestualizzazione” nel sogno – un processo di scomposizione dei ricordi in piccoli frammenti che sono poi associati a numerose tracce di memoria, formando nuove connessioni attraverso la rete di memoria autobiografica che non si sarebbe formato durante la veglia. Questo processo si basa parzialmente sulla “iperassociatività” dello stato di sogno.
L’iperassociatività si riferisce all’aumento delle connessioni tra memorie che sarebbero associate solo vagamente durante la veglia. Mentre molti ricercatori concordano sul fatto che i sogni e il sonno REM sono caratterizzati da iperassociatività, Malinowski e Horton suggeriscono che queste connessioni vaghe possono essere dietro intuizione e creatività che deriva dal sonno.
Gli autori dimostrano l’iperassociatività del sogno in diversi esempi di bizzarrie oniriche: i sogni uniscono elementi insoliti della memoria: un amico può essere personificato da un gatto; la narrazione di un sogno può improvvisamente cambiare: la tua casa si trasforma improvvisamente nel tuo ufficio di lavoro; i sogni combinano elementi del passato remoto con il passato recente o anche il futuro in anticipo: fai un discorso in arrivo nella tua vecchia scuola superiore.
La ricerca sperimentale ha anche dimostrato che la cognizione è iperassociata in seguito al risveglio dal sonno REM. I soggetti daranno risposte non comuni ad un compito di associazioni di parole, e daranno la preferenza a coppie di parole semantiche legate a coppie debolmente contrapposte. La prova si allinea con la proposta di uno stato di sonno che sta temporaneamente sollevando le autostrade ‘Hebbiane’ del pensiero di veglia.
Hartmann (1996) suggerì similmente che nel pensiero vigile, l’informazione fluisce in modo lineare, mentre nel sogno non c’è una direzione verso il flusso di informazioni, è libero di spostarsi avanti o indietro rispetto a concetti più liberamente connessi. Questo può essere essenziale per scomporre i ricordi in frammenti che possono essere meglio integrati nella rete nel suo complesso. Questa funzione è forse meglio dimostrata da ciò che accade quando fallisce. Ad esempio, nel disturbo da stress post-traumatico, gli incubi ricorrenti che ripetono un trauma possono persistere per decenni a seguito di un’esperienza traumatica. Ciò ricorda un “ciclo di feedback restrittivo” troppo potente e dominante e qualsiasi input rilevante attiverà l’intero circuito da eseguire. Pertanto, il sistema non è in grado di “disimparare” un trauma, non è in grado di scomporlo e permette di creare nuove connessioni al suo posto.
Mentre l’iperassociatività nel sogno può avere certi benefici nell’integrare le memorie emotive e stimolare la creatività, si potrebbe sostenere che questa caratteristica di ‘disapprendimento’ è ad un livello più basilare una necessità meccanicistica per qualsiasi rete neurale di questo calibro di mantenersi, e per evitare “loop di feedback restrittivi”. Infatti, nella rete neurale artificiale descritta in precedenza, gli sperimentatori hanno scoperto che l’aggiunta di una fase di “sognare”, in cui l’apprendimento di Hebbian era disattivato, ha permesso un aumento dei tassi di apprendimento fino a dieci volte, evitato i loop di feedback restrittivi e, meglio di tutti, hanno dato alle loro reti neurali artificiali il piacere inaspettato di sognare.
Riferimenti
Carr, M., & Nielsen, T. (2015). I sonni del sonno REM mattutino facilitano un ampio accesso alle reti semantiche emotive. Sonno, 38 (3), 433-443.
Hartmann, E. (1996). Delineare una teoria sulla natura e le funzioni del sogno. Sognando, 6 (2), 147.
Horton, CL, e Malinowski, JE (2015). Memoria autobiografica e iperassociatività nel cervello del sogno: implicazioni per il consolidamento della memoria nel sonno. Frontiere in psicologia, 6.
Malinowski, JE, & Horton, CL (2015). Metafora e iperassociatività: i meccanismi immaginativi dietro l’assimilazione delle emozioni nel sonno e nel sogno. Frontiere in psicologia, 6.
Thiele, J., Diehl, P., & Cook, M. (2017). Un algoritmo wake-sleep per reti neurali ricorrenti e spiking. arXiv preprint arXiv: 1703.06290.
