As redes neurais artificiais são modeladas a partir das redes neurais biológicas que compõem nossos cérebros; eles são usados para permitir que os computadores aprendam de maneira similar a como nossos cérebros aprendem. Por exemplo, aprendemos a diferenciar conceitos ao longo do tempo por repetição, depois de ver tantas variedades de árvores e de flores, aprendemos o que é o modelo de uma árvore e podemos reconhecer árvores no futuro, mesmo que seja uma nova variedade. Certas características das árvores – ramo-folhas-tronco – são conhecidas por estarem conectadas e, quando ativadas juntas, reconhecemos que é uma árvore. Uma rede neural artificial age de maneira semelhante; as conexões entre os neurônios artificiais se fortalecem com o tempo se forem freqüentemente ativadas juntas, no que é chamado de aprendizado “Hebbian”.
No entanto, esse modelo não é infalível, porque essa forma de aprendizado direto pode levar rapidamente a conexões dominantes que inibem o aprendizado criativo. Por exemplo, quando as conexões entre branch-leaves-trunk-Tree são muito poderosas, qualquer input relevante, como as folhas de um trevo de quatro folhas, pode ser sequestrado pela rede de árvores, e outros caminhos possíveis podem ser negligenciados. Isso é chamado de ‘loop de feedback restritivo’, porque um conjunto de conexões está restringindo a formação de qualquer outro, e essencialmente se reforça repetidamente acima de todos os outros.
Um artigo recente (Thiele, Diehl, & Cook, 2017) propôs implementar um algoritmo de “wake-sleep” para um modelo de rede neural artificial para corrigir este problema. A fase do sono essencialmente desligaria o modo de aprendizado Hebbian temporariamente, ou seja, desligaria a força das conexões e, em vez disso, permitiria que a entrada aleatória passasse pela rede sem prejuízo. Isso é comparado ao processo de sonhar em humanos.
Enquanto isso, no campo da pesquisa sobre sonhos com humanos, modelos semelhantes foram propostos para descrever as funções do “desaprendizado” do estado de sono / sonho REM. Em dois trabalhos teóricos recentes, autores Malinowski e Horton (2015) sugerem um processo de ‘descontextualização’ no sonho – um processo de decompor memórias em pequenos fragmentos que são então associados a numerosos traços de memória diferentes, formando novas conexões através da rede de memórias autobiográfica que não seria formado durante o despertar. Este processo depende parcialmente da “hiperassociatividade” do estado de sonho.
Hiperassociatividade refere-se ao aumento das conexões que estão sendo feitas entre as memórias que seriam associadas apenas fracamente durante a vigília. Enquanto muitos pesquisadores concordam que o sonho e o sono REM são caracterizados por hiper-associação, Malinowski e Horton sugerem que essas conexões soltas podem estar por trás da percepção e da criatividade que resultam do sono.
Os autores demonstram a hiperassociatividade de sonhar em vários exemplos de bizarrenos de sonhos: sonhos juntam elementos incomuns de memória – um amigo pode ser personificado por um gato; a narrativa de um sonho pode mudar abruptamente – sua casa de repente se transforma em seu escritório de trabalho; os sonhos reúnem elementos do passado remoto com o passado recente ou até mesmo com o futuro antecipado – você faz um discurso no seu antigo colégio.
Pesquisas experimentais também mostraram que a cognição é hiperassociativa após o despertar do sono REM. Os participantes darão respostas incomuns a uma tarefa de associações de palavras e darão preferência a pares de palavras semânticas fracamente relacionados, em oposição a palavras fortemente relacionadas. A evidência se alinha com a sugestão de um estado de sono que está temporariamente levantando as rodovias ‘Hebbian’ do pensamento desperto.
Hartmann (1996) sugeriu similarmente que, no pensamento de vigília, a informação flui de maneira linear, ao passo que, no sonho, não há direção para o fluxo de informação, ela é livre para se mover para trás ou para os lados, para conceitos mais frouxamente conectados. Isso pode ser essencial para dividir as memórias em fragmentos que podem ser melhor integrados à rede como um todo. Essa função talvez seja melhor demonstrada pelo que acontece quando falha. Por exemplo, no transtorno de estresse pós-traumático, pesadelos recorrentes que reproduzem um trauma podem persistir por décadas após uma experiência traumática. Isso é uma reminiscência de um “loop restritivo de feedback”, que é muito poderoso e dominante, e qualquer entrada relevante ativará todo o circuito. Assim, o sistema é incapaz de “desaprender” um trauma, incapaz de derrubá-lo e permitir que novas conexões se formem em seu lugar.
Embora a “hiperassociatividade” no sonho possa ter certos benefícios para integrar memórias emocionais e estimular a criatividade, pode-se argumentar que esse “desaprendizado” é, em um nível mais básico, uma necessidade mecanicista para que qualquer rede neural desse calibre se mantenha; para evitar “loops restritivos de feedback”. Na verdade, na rede neural artificial descrita anteriormente, os pesquisadores descobriram que a adição de uma fase “sonhadora”, em que o aprendizado de Hebbian era desativado, permitia um aumento nas taxas de aprendizado até dez vezes, evitava loops restritivos de feedback e, o melhor de tudo, deu a suas redes neurais artificiais o inesperado prazer de sonhar.
Referências
Carr, M., & Nielsen, T. (2015). Cochilos matinais REM facilitam o amplo acesso a redes semânticas emocionais. Sleep, 38 (3), 433-443.
Hartmann, E. (1996). Esboço para uma teoria sobre a natureza e funções do sonho. Sonhando, 6 (2), 147.
Horton, CL, & Malinowski, JE (2015). Memória autobiográfica e hiperassociatividade no cérebro sonhador: implicações para a consolidação da memória no sono. Fronteiras em psicologia, 6.
Malinowski, JE e Horton, CL (2015). Metáfora e hiperassociatividade: os mecanismos de imaginação por trás da assimilação da emoção no sono e no sonho. Fronteiras em psicologia, 6.
Thiele, J., Diehl, P. e Cook, M. (2017). Um algoritmo de wake-sleep para redes neurais recorrentes e específicas. arXiv preprint arXiv: 1703.06290.
