每个人都在做梦。当一个人睡觉时，脑细胞也进入休息和放松的状态，但是一些脑细胞还没有完全休息，一些微弱的刺激会触发他们的活动，这使人们进入了梦境。在大多数情况下，梦想是令人愉快的。当我们睡觉时，记忆中的视觉和听觉片段会合并为毫无意义的片段和新故事。松散的记忆与生动逼真的场景立即融合在一起。在梦中，我们将与已知角色形成的角色互动。做梦不是睡眠的副产品，而是我们大脑工作的必要过程之一。在做梦时，大脑会过滤掉清醒时收集的信息，然后神经系统进入游戏，丢弃无关紧要的事物，巩固重要的事物，形成并存储记忆。在整个哺乳动物世界中，这些机制几乎相同。而且非常有效。所以问题是：人工智能是否需要相同的机制来过滤和处理信息？一组意大利研究人员在数学模型上模拟了此过程，并将其输入到人工智能系统中。结果，他们提出了一种算法，通过迫使人工智能离线睡眠来扩展人工智能网络的存储容量。在此期间，他们加强了有用的存储信息，并删除了不相关的信息。阿德里亚诺·巴拉（Adriano Barra）是意大利萨伦托大学的理论物理学家。巴拉和他的同事埃琳娜·阿格里里（Elena Agliari）和阿尔贝托·法切奇（Alberto Fachechi）正在研究诸如大脑之类的复杂系统，并正在为人类大脑创建神经生物学的数学模型。 “我们的理论物理学家比工程师有一些优势。”巴拉说。 “由于数学模型相同，我们可以将结果应用于人工智能。我们是神经生物学与工程学之间的桥梁。”在弄清楚什么是“梦模型”之前，先确定一下“梦模型”。可以带给人工智能，我们必须首先了解当前人工智能神经网络的一些问题。人工智能神经网络的经典蓝图之一是Hopfield模型。它是由约翰·霍普菲尔德（John Hopfield）于1982年开发的。该模型描述了人工智能神经网络如何模仿真实大脑的模式识别机制来学习和检索信息。尽管此模型是30多年前发明的，但今天仍在使用，并且在机器学习，关联存储器，模式识别和优化计算中仍具有广泛的应用。它是当今用于深度学习的人工智能的重要理论基础之一。 Hopfield神经网络是单层完全连接的反馈神经网络。网络中的每个神经元都通过连接权重将其输出传输到所有其他神经元，并同时从其他神经元接收信息。 。 Hopfield神经网络最流行的学习规则是Hebbian学习方法，该方法提出了在学习过程中如何增强神经元之间的突触（一个神经元的冲动传递给另一个神经元或另一个细胞，相互接触的结构）的方法。 Hebbian学习方法为全球人脑研究做出了巨大贡献，并且对当前的神经科学，认知科学，计算机科学，行为科学和其他研究产生了深远的影响。但是，这种经典的蓝图有一个缺点，在正常情况下，它只能存储有限的信息。用数学表示，即对称网络的最大存储容量为α〜0.14。但是，理论极限为1或α= 1。在“清醒”中的人工智能神经网络被称为“神经网络”。或在线状态总是在学习新的信息模式。但是，除了理想模式外，它们还收集不相关甚至是伪造的模式。神经网络可以通过网络存储重要的模式，但是不可避免地会发生存储错误，从而导致不相关的错误模式也被存储。