Liquid Neural Networks (LNNs)

الشبكات العصبية السائلة (LNNs) هي فئة فرعية ديناميكية ومرنة للغاية من الشبكات العصبية المتكررة (RNNs) ذات الوقت المستمر، وهي مستوحاة من بنية الجهاز العصبي للكائنات الحية البسيطة، مثل دودة C. elegans. على عكس نماذج التعلم العميق التقليدية حيث تكون الأوزان (أو المعلمات) ثابتة بعد التدريب، يمكن لـ LNNs تكييف معلماتها باستمرار في الوقت الفعلي أثناء معالجة تدفقات البيانات الجديدة. هذه القدرة على التكيف، والتي يشار إليها غالباً بالسلوك "السائل"، تمكن الشبكة من الحفاظ على المتانة والتكيف مع الظروف المتغيرة أثناء التنفيذ، مما يجعلها مناسبة بشكل استثنائي لمعالجة بيانات السلاسل الزمنية والتحكم في الأنظمة الديناميكية.

تتمثل إحدى المزايا الأساسية لـ LNNs في كفاءة المعلمات. فبينما تتطلب نماذج كبيرة مثل Transformer أو نماذج اللغة الكبيرة (LLMs) مليارات المعلمات وموارد حوسبة هائلة لأداء مهام معقدة، غالباً ما تستطيع LNNs تحقيق أداء مماثل أو متفوق في مهام تسلسلية محددة باستخدام بضع عشرات إلى بضع مئات من العصبونات فقط. أظهرت الأبحاث الصادرة عن مؤسسات مثل مختبر علوم الحاسوب والذكاء الاصطناعي (CSAIL) التابع لمعهد ماساتشوستس للتكنولوجيا (MIT) أن هذه الشبكات المدمجة توفر قابلية عالية للتفسير وكفاءة، مما يقلل من العبء الحسابي المطلوب لكل من التدريب والنشر.

Link to this sectionالتمييز بين LNNs والشبكات التقليدية#

بينما تقوم كل من LNNs وشبكات RNN القياسية بمعالجة البيانات التسلسلية، إلا أنها تتعامل مع مفهوم الوقت بشكل مختلف. تعمل شبكات RNN القياسية وشبكات الذاكرة طويلة المدى (LSTM) في خطوات زمنية منفصلة، مما يعني أنها تعالج البيانات إطاراً بإطار أو خطوة بخطوة. ومع ذلك، تعالج LNNs المدخلات بشكل مستمر، على غرار المعادلات التفاضلية التي تصمم الظواهر الفيزيائية. تسمح هذه الديناميكية ذات الوقت المستمر لـ LNNs بالتعامل مع البيانات التي يتم أخذ عينات منها بشكل غير منتظم بسلاسة، دون الاعتماد على معدلات أخذ عينات ثابتة. علاوة على ذلك، في حين تقوم النماذج التقليدية بتجميد معلماتها المكتسبة بعد التدريب، فإن الحالات المخفية في LNNs تتكيف ديناميكياً، مما يضمن بقاء النموذج مستجيباً لـ الشذوذات الجديدة وغير المكتشفة أثناء الاستدلال في الوقت الفعلي.

Link to this sectionتطبيقات LNNs في العالم الحقيقي#

نظراً لمرونتها وقابليتها للتفسير وقلة عدد معلماتها، تُستخدم LNNs بشكل أساسي في التطبيقات التي تتضمن تدفقات مستمرة من البيانات وبيئات متغيرة. ومن الأمثلة البارزة على ذلك:

• المركبات ذاتية القيادة والطائرات بدون طيار: أظهرت LNNs نجاحاً ملحوظاً في التحكم في الطائرات بدون طيار المستقلة في بيئات لا يمكن التنبؤ بها. قدرتها على تكييف عمليات اتخاذ القرار بناءً على التغذية الراجعة الحسية المستمرة تسمح للطائرات بدون طيار بالتنقل في ظروف الرياح المتغيرة أو العقبات الديناميكية بشكل أفضل بكثير من النماذج المدربة بشكل ثابت. كما أن بصمتها الحسابية المنخفضة تجعلها مثالية لـ أجهزة Edge AI ذات الطاقة المحدودة، حيث تعالج البيانات مباشرة على الطائرة بدون طيار.
• تحليل السلاسل الزمنية الطبية: في تشخيصات الرعاية الصحية، تُستخدم LNNs لمراقبة حيوية المريض باستمرار، مثل قراءات ECG أو EEG. ولأن البيانات الطبية غالباً ما يتم أخذ عينات منها بشكل غير منتظم، فإن طبيعة الوقت المستمر لـ LNNs مفيدة للغاية لاكتشاف التحولات المفاجئة في حالة المريض، مما يوفر نمذجة تنبؤية لحالات مثل عدم انتظام ضربات القلب أو النوبات في الوقت الفعلي.

Link to this sectionLNNs في النظام البيئي#

في حين أن LNNs تتخصص في اتخاذ القرار الزمني والتسلسلي، يمكن إقرانها بفعالية مع نماذج رؤية الحاسوب المكانية لأنظمة الإدراك والفعل الشاملة. على سبيل المثال، يمكن استخدام Ultralytics YOLO26 لمعالجة إطارات الفيديو لـ كشف الأشياء في الوقت الفعلي، وتغذية إحداثيات صناديق التحديد وبيانات التصنيف إلى شبكة عصبية سائلة لاحقة. ستقوم LNN بعد ذلك بتفسير تدفقات الإحداثيات المستمرة هذه بمرور الوقت لتوجيه آليات التنقل أو التحكم الروبوتي لـ وكيل الذكاء الاصطناعي.

لاستكشاف بناء خطوط أنابيب ذكاء اصطناعي فعالة وفي الوقت الفعلي، يمكنك البدء بتدريب ونشر نماذج الرؤية باستخدام منصة Ultralytics، مما يضمن أن تكون نماذجك خفيفة الوزن وجاهزة للنشر على الحافة (edge deployment).

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)

تستمر الأبحاث الجارية حول LNNs، بقيادة مجموعات مثل Liquid AI، في دفع حدود مدى قابلية أنظمة الذكاء الاصطناعي (AI) للتكيف والكفاءة وقابليتها للتفسير عند نشرها في العالم الحقيقي المعقد والديناميكي.