Liquid Neural Networks (LNNs)

الشبكات العصبية السائلة (LNNs) هي فئة فرعية شديدة الديناميكية والمرونة من الشبكات العصبية المتكررة (RNNs) ذات الزمن المستمر، وقد استُلهمت من بنية الجهاز العصبي للكائنات البسيطة، مثل دودة C. elegans. وعلى خلاف نماذج التعلم العميق التقليدية، حيث تكون الأوزان (أو المعلمات) ثابتة بعد التدريب، تستطيع LNNs تكييف معلماتها باستمرار وفي الوقت الفعلي أثناء معالجة تدفقات الإدخال الجديدة. ويتيح هذا التكيف، الذي يُشار إليه غالبًا باسم السلوك «السائل»، للشبكة الحفاظ على المتانة والتكيف مع الظروف المتغيرة مباشرة، ما يجعلها ملائمة بصورة استثنائية لمعالجة بيانات السلاسل الزمنية والتحكم في الأنظمة الديناميكية.

تتمثل إحدى المزايا الأساسية لـ LNNs في كفاءة المعلمات. ففي حين تتطلب النماذج الكبيرة مثل Transformers أو [نماذج اللغة الكبيرة (LLMs)](https://ultralytics-translation-1.invalid مليارات المعلمات وموارد حوسبة هائلة لتنفيذ المهام المعقدة، تستطيع LNNs غالبًا تحقيق أداء مماثل أو متفوق في مهام تسلسلية محددة باستخدام بضع عشرات إلى بضع مئات من العُقد العصبية فقط. وقد أظهرت أبحاث أجرتها مؤسسات مثل مختبر علوم الحاسوب والذكاء الاصطناعي في MIT (CSAIL) أن هذه الشبكات المدمجة توفر قابلية تفسير وكفاءة مرتفعتين، ما يقلل النفقات الحسابية اللازمة لكل من التدريب والنشر.

تمييز LNNs عن الشبكات التقليدية#

على الرغم من أن كلًا من LNNs وRNNs القياسية يعالج البيانات التسلسلية، فإنهما يتعاملان مع مفهوم الزمن بطرق مختلفة. تعمل RNNs القياسية وشبكات الذاكرة طويلة وقصيرة الأمد (LSTM) وفق خطوات زمنية متقطعة، أي إنها تعالج البيانات إطارًا تلو إطار أو خطوة تلو أخرى. أما LNNs فتعالج المدخلات باستمرار، على نحو يشبه المعادلات التفاضلية التي تصف الظواهر الفيزيائية. وتتيح هذه الديناميكية ذات الزمن المستمر لـ LNNs التعامل بسلاسة مع البيانات التي تُؤخذ عيناتها على فترات غير منتظمة، من دون الاعتماد على معدلات أخذ عينات ثابتة. وإضافة إلى ذلك، في حين تجمّد النماذج التقليدية معلماتها المتعلمة بعد التدريب، تتكيف الحالات المخفية في LNNs ديناميكيًا، ما يضمن بقاء النموذج مستجيبًا لـالحالات الشاذة الجديدة وغير المرئية أثناء الاستدلال في الوقت الفعلي.

التطبيقات الواقعية لـ LNNs#

بفضل متانتها وقابليتها للتفسير وانخفاض عدد معلماتها، تُستخدم LNNs أساسًا في التطبيقات التي تتضمن تدفقات مستمرة من البيانات وبيئات متغيرة. ومن الأمثلة البارزة على ذلك:

• المركبات ذاتية القيادة والطائرات المسيّرة: أظهرت LNNs نجاحًا لافتًا في التحكم بالطائرات المسيّرة ذاتية القيادة ضمن بيئات لا يمكن التنبؤ بها. وتتيح لها قدرتها على تكييف عمليات اتخاذ القرار استنادًا إلى التغذية الراجعة الحسية المستمرة توجيه الطائرات المسيّرة في ظروف الرياح المتغيرة أو بين العوائق الديناميكية بكفاءة تفوق بكثير النماذج المدرّبة بصورة ثابتة. كما أن بصمتها الحاسوبية المنخفضة تجعلها مثالية لـأجهزة الذكاء الاصطناعي الطرفية ذات الطاقة المحدودة، إذ تعالج البيانات مباشرة على متن الطائرة المسيّرة.
• تحليل السلاسل الزمنية الطبية: في تشخيصات الرعاية الصحية، تُستخدم LNNs لمراقبة المؤشرات الحيوية للمرضى باستمرار، مثل قراءات ECG أو EEG. ونظرًا إلى أن البيانات الطبية غالبًا ما تُؤخذ عيناتها على فترات غير منتظمة، فإن الطبيعة ذات الزمن المستمر لـ LNNs مفيدة للغاية في اكتشاف التحولات المفاجئة في حالة المريض، وتوفير نمذجة تنبؤية لحالات مثل اضطراب نظم القلب أو النوبات في الوقت الفعلي.

LNNs ضمن المنظومة#

بينما تتخصص LNNs في اتخاذ القرارات الزمنية والتسلسلية، يمكن دمجها بفاعلية مع نماذج الرؤية الحاسوبية المكانية لإنشاء أنظمة شاملة للإدراك والفعل. فعلى سبيل المثال، يمكن استخدام Ultralytics YOLO26 لمعالجة إطارات الفيديو من أجل اكتشاف الأجسام في الوقت الفعلي، وتمرير إحداثيات مربعات الإحاطة وبيانات التصنيف إلى شبكة عصبية سائلة لاحقة. وستفسر LNN بعد ذلك تدفقات الإحداثيات المستمرة هذه بمرور الوقت لتوجيه آليات ملاحة وكيل الذكاء الاصطناعي أو التحكم الروبوتي.

لاستكشاف بناء خطوط أنابيب فعّالة للذكاء الاصطناعي في الوقت الفعلي، يمكنك البدء بتدريب نماذج الرؤية ونشرها باستخدام منصة Ultralytics، مع ضمان خفة نماذجك واستعدادها للنشر الطرفي.

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 حول LNNs، التي تقودها مجموعات مثل Liquid AI، دفع حدود مدى قدرة أنظمة الذكاء الاصطناعي (AI) على التكيف والكفاءة وقابلية التفسير عند نشرها في العالم الواقعي المعقد والديناميكي.