Heterogeneous self-couplings enable scale-invariant memory and cognitive flexibility without criticality

Il cervello umano è un maestro del tempo. Può reagire a un improvviso lampo di luce in una frazione di secondo, eppure può anche mantenere in mente un pensiero complesso per minuti o tessere una storia che si dispiega nel corso di anni. Questa capacità di operare attraverso velocità così diverse non è un errore, ma una caratteristica fondamentale del nostro modo di pensare, apprendere e adattarci. Per decenni, gli scienziati si sono chiesti come una rete di miliardi di neuroni riesca a tenere traccia degli eventi del passato remoto pur rispondendo al momento presente. Una teoria dominante suggeriva che il cervello debba costantemente oscillare sul filo sottile tra ordine e caos, uno stato noto come criticità, per raggiungere questa flessibilità. Tuttavia, una nuova ricerca sfida questa visione di lunga data, proponendo che il cervello possa raggiungere il suo straordinario senso del tempo e la sua adattabilità attraverso un meccanismo più semplice e robusto: una diversità integrata di velocità all'interno dei suoi stessi circuiti.

In uno studio pubblicato nell'ottobre 2026, i ricercatori Francesco Damiani, Gabriele Di Antonio e i loro colleghi della Pompeu Fabra University e dell'Istituto Superiore di Sanità di Roma hanno esplorato questa possibilità utilizzando un modello computazionale di una rete neurale. Hanno costruito un sistema che imita la struttura del cervello, ma hanno introdotto un tipo specifico di variazione: invece di far sì che ogni parte della rete si comporti esattamente allo stesso modo, hanno dato a ogni unità una diversa forza di auto-connessione. Nel linguaggio del modello, alcune unità sono strettamente connesse a se stesse, rendendole lente nel cambiare stato, mentre altre sono debolmente connesse, permettendo loro di reagire rapidamente. Il team ha scoperto che questo semplice mix di unità veloci e lente è stato sufficiente a creare un sistema capace di ricordare il passato attraverso un ampio intervallo di scale temporali, senza dover essere sintonizzato su un bordo critico.

I ricercatori hanno scoperto che quando queste unità sono disposte con il giusto mix di auto-connessioni, la memoria della rete non svanisce in modo prevedibile e uniforme. Invece, la memoria degli input passati decade lentamente e costantemente, seguendo un modello in cui l'informazione del passato remoto mantiene ancora una tenue influenza sul presente. Questo è ciò che gli scienziati chiamano memoria invariante di scala. Significa che il sistema può gestire informazioni che arrivano a qualsiasi velocità, che si tratti di una rapida serie di clic o di una conversazione lenta e prolungata, senza dover essere riconfigurato. Il modello ha mostrato che questo decadimento della memoria a legge di potenza, spesso osservato nell'attività cerebrale reale, può emergere naturalmente dalla diversità delle connessioni interne della rete, piuttosto che richiedere che l'intero sistema sia bilanciato precariamente sul limite del caos.

Per testare se questa memoria fosse effettivamente utile, il team ha sottoposto il proprio modello a una serie di sfide cognitive. Per prima cosa, lo hanno sottoposto a un compito di memoria a breve termine in cui doveva ricordare una sequenza di sei segnali diversi presentati a velocità variabili. Una rete standard, dove tutte le parti sono identiche, faticava man mano che i segnali diventavano più veloci o più lenti, dimenticando rapidamente ciò che aveva visto. Una rete sintonizzata sul bordo della stabilità performava meglio, ma era fragile. Al contrario, il modello con auto-connessioni diverse ricordava la sequenza in modo robusto, indipendentemente dalla tempistica. Poteva mantenere il primo segnale con la stessa efficacia dell'ultimo, anche quando gli intervalli tra di essi erano venti volte più lunghi della velocità di una singola unità. Ciò ha dimostrato che il mix di velocità permetteva alla rete di mantenere un registro stabile del passato senza perdere la capacità di reagire al presente.

I ricercatori hanno poi portato il test un passo oltre, chiedendo al modello di risolvere un classico puzzle di flessibilità cognitiva noto come Wisconsin Card Sorting Test. In questo compito, una persona deve smistare delle carte in base a una regola, come l'abbinamento per colore o per forma. La regola cambia inaspettatamente e la persona deve capire la nuova regola basandosi sul feedback, come un segnale di errore. Ciò richiede di mantenere in mente il contesto attuale ed essere pronti a cambiare marcia istantaneamente. Il modello ha avuto successo in questo compito utilizzando le sue unità veloci per prendere decisioni immediate basate sulle carte viste, mentre le sue unità lente, auto-connesse, agivano come un serbatoio stabile per mantenere in mente la regola corrente. Quando si verificava un errore, la rete poteva spostare il proprio stato interno verso un nuovo "attrattore", cambiando efficacementamente la propria regola senza bisogno di ricablare la sua intera struttura. Questa capacità di cambiare contesto in modo fluido ed efficiente emergeva direttamente dalla diversità interna della rete.

Una parte cruciale dello studio è stata il confronto di questo approccio con altri modi per creare diverse velocità in una rete. Il team ha costruito un secondo modello in cui le unità avevano velocità diverse perché erano costruite con diverse costanti di tempo, un modo comune per simulare la diversità. Sebbene questo secondo modello potesse anche risolvere il puzzle, richiedeva cambiamenti molto più grandi e drastici alle sue connessioni per apprendere le regole. Il modello con auto-connessioni diverse, tuttavia, ha appreso il compito con solo piccoli aggiustamenti alla sua struttura esistente. Ciò suggerisce che avere un panorama integrato di diverse velocità e stati stabili è un modo più efficiente per un sistema apprendere e adattarsi. Permette alla rete di reclutare capacità preesistenti piuttosto che costruire nuove capacità da zero ogni volta che una situazione cambia.

Le scoperte hanno anche gettato luce su un grande dibattito in neuroscienza riguardante la criticità. Per anni, molti scienziati hanno creduto che, affinché un cervello fosse flessibile e potente, dovesse operare vicino a un punto critico, uno stato in cui è perfettamente bilanciato tra l'essere troppo rigido e l'essere troppo caotico. Le nuove simulazioni suggeriscono che questo non è strettamente necessario. I ricercatori hanno dimostrato che il loro modello rimaneva in uno stato sub-critico stabile — ovvero era al sicuro dal caos — eppure produceva comunque la complessa dinamica e il comportamento scale-free che si pensava fossero l'unica fonte della criticità. Ciò implica che il cervello potrebbe non aver bisogno di camminare su una fune per funzionare bene; al contrario, può fare affidamento sulla ricca e varia dinamica creata dalla propria diversità strutturale.

Lo studio offre un nuovo modo di pensare a come il cervello sia organizzato. Suggerisce che la corteccia possa essere una gerarchia di reti, dove i livelli inferiori gestiscono input sensoriali rapidi e immediati e i livelli superiori gestiscono contesti lenti e complessi. Questa gerarchia potrebbe derivare semplicemente dal fatto che la forza delle auto-connessioni aumenta man mano che si sale nella catena di elaborazione del cervello. Le aree più alte avrebbero naturalmente più unità lente e stabili, capaci di mantenere idee e regole astratte, mentre le aree più basse avrebbero unità più veloci per reazioni rapide. Questo singolo principio di variare le auto-connessioni potrebbe spiegare sia la capacità del cervello di integrare le informazioni su lunghi periodi, sia la sua capacità di pensiero astratto e complesso.

In definitiva, questo lavoro fornisce un'alternativa convincente all'idea che la potenza del cervello derivi da un delicato equilibrio di caos. Al contrario, punta alla forza della diversità. Semplicemente avendo parti che si muovono a velocità diverse e mantengono le informazioni per tempi diversi, una rete neurale può sviluppare naturalmente la capacità di ricordare il passato, adattarsi a nuove regole e processare informazioni attraverso molteplici scale temporali. Le simulazioni dei ricercatori mostrano che questo meccanismo è robusto, efficiente e capace di sostenere il tipo di comportamento flessibile che definisce la vita intelligente, il tutto senza la necessità che il sistema sia sintonizzato su un bordo critico. Il cervello, sembra, è meno simile a un funambolo e più simile a un coro di voci, ognuna delle quali canta al proprio ritmo, creando un'armonia che è allo stesso tempo stabile e infinitamente adattabile.