اكتشف الشبكات العصبية السائلة (LNNs) لتكييف البيانات في الوقت الفعلي. تعرف على كيفية تكامل هذه النماذج الفعالة مع Ultralytics لتشغيل أنظمة الذكاء الاصطناعي المستقلة.
تُعد الشبكات العصبية السائلة (LNNs) فئة فرعية عالية الديناميكية والمرونة من الشبكات العصبية المتكررة (RNNs) التي تعمل في إطار الزمن المستمر، وهي مستوحاة من بنية الجهاز العصبي للكائنات الحية البسيطة، مثل دودة C. elegans. على عكس نماذج التعلم العميق التقليدية حيث يتم تثبيت الأوزان (أو المعلمات) بعد التدريب، يمكن لشبكات LNN تكييف معلماتها باستمرار في الوقت الفعلي أثناء معالجتها لتدفقات المدخلات الجديدة. تتيح هذه القدرة على التكيف، التي يُشار إليها غالبًا بالسلوك "السائل"، للشبكة الحفاظ على متانتها والتكيف مع الظروف المتغيرة على الفور، مما يجعلها مناسبة بشكل استثنائي لمعالجة بيانات السلاسل الزمنية والتحكم في الأنظمة الديناميكية.
تتمثل إحدى المزايا الأساسية لشبكات LNN في كفاءة معلماتها. ففي حين أن النماذج الضخمة مثل Transformers أو نماذج اللغة الكبيرة (LLMs) تتطلب مليارات المعلمات وموارد حاسوبية هائلة لأداء مهام معقدة، فإن شبكات LNN غالبًا ما تتمكن من تحقيق أداء مماثل أو متفوق في مهام تسلسلية محددة باستخدام بضع عشرات إلى بضع مئات من الخلايا العصبية فقط. أظهرت الأبحاث التي أجرتها مؤسسات مثل مختبر علوم الحاسوب والذكاء الاصطناعي (CSAIL) التابع لمعهد ماساتشوستس للتكنولوجيا (MIT) أن هذه الشبكات المدمجة توفر قابلية تفسير وكفاءة عاليتين، مما يقلل من الأعباء الحسابية المطلوبة لكل من التدريب والنشر.
على الرغم من أن شبكات LNN وشبكات RNN القياسية تعالجان البيانات المتسلسلة، إلا أنهما تتعاملان مع مفهوم الزمن بشكل مختلف. تعمل شبكات RNN القياسية وشبكات الذاكرة الطويلة والقصيرة المدى (LSTM) في خطوات زمنية منفصلة، مما يعني أنها تعالج البيانات إطارًا بإطار أو خطوة بخطوة. ومع ذلك، تعالج شبكات LNN المدخلات بشكل مستمر، على غرار المعادلات التفاضلية التي تنمذج الظواهر الفيزيائية. تسمح هذه الديناميكية ذات الوقت المستمر لشبكات LNN بمعالجة البيانات التي تم أخذ عينات منها بشكل غير منتظم بسلاسة، دون الاعتماد على معدلات أخذ عينات ثابتة. علاوة على ذلك، في حين أن النماذج التقليدية تجمد المعلمات التي تعلمتها بعد التدريب، تتكيف الحالات المخفية في شبكات LNN ديناميكيًا، مما يضمن بقاء النموذج مستجيبًا للانحرافات الجديدة غير المرئية أثناء الاستدلال في الوقت الفعلي.
نظرًا لمرونتها وقابليتها للتفسير وقلة عدد معلماتها، تُستخدم الشبكات العصبية الخطية (LNNs) بشكل أساسي في التطبيقات التي تنطوي على تدفقات مستمرة من البيانات وبيئات متغيرة. ومن الأمثلة البارزة على ذلك:
ورغم أن الشبكات العصبية السائلة (LNN) تتخصص في اتخاذ القرارات الزمنية المتسلسلة، إلا أنه يمكن دمجها بفعالية مع نماذج الرؤية الحاسوبية المكانية لإنشاء أنظمة شاملة للإدراك والتفاعل. على سبيل المثال، يمكن استخدام Ultralytics لمعالجة إطارات الفيديو من أجل الكشف عن الأجسام في الوقت الفعلي، مع تغذية إحداثيات الصناديق المحيطة وبيانات التصنيف إلى شبكة عصبية سائلة في مرحلة لاحقة. ومن ثم تقوم الشبكة العصبية السائلة (LNN) بتفسير تدفقات الإحداثيات المستمرة هذه بمرور الوقت لتوجيه آليات التنقل أو التحكم الروبوتي لوكيل الذكاء الاصطناعي.
لاستكشاف كيفية إنشاء مسارات عمل فعالة للذكاء الاصطناعي تعمل في الوقت الفعلي، يمكنك البدء بتدريب نماذج الرؤية ونشرها باستخدام Ultralytics مما يضمن أن تكون نماذجك خفيفة الوزن وجاهزة للنشر على الحافة.
from ultralytics import YOLO
# Load an Ultralytics YOLO26 nano model for spatial perception
model = YOLO("yolo26n.pt")
# Perform inference on a video stream to feed data to a sequential model
results = model.predict(source="path/to/video.mp4", stream=True)
for result in results:
# Extract object coordinates to be passed to an LNN for temporal processing
boxes = result.boxes.xyxy
# (Here, 'boxes' would stream into your Liquid Neural Network for control logic)
تواصل الأبحاث الجارية في مجال الشبكات العصبية اللغوية (LNNs)، التي تقودها مجموعات مثل Liquid AI، توسيع آفاق مدى قدرة أنظمة الذكاء الاصطناعي (AI) على التكيف والكفاءة وقابلية التفسير عند نشرها في العالم الواقعي المعقد والديناميكي.
ابدأ رحلتك مع مستقبل تعلم الآلة
