Liquid Neural Networks (LNNs)

Las Redes Neuronales Líquidas (LNNs) son una subclase altamente dinámica y flexible de Redes Neuronales Recurrentes (RNNs) de tiempo continuo, inspiradas en la estructura del sistema nervioso de organismos simples, como el gusano C. elegans. A diferencia de los modelos tradicionales de deep learning en los que los pesos (o parámetros) son fijos después del entrenamiento, las LNNs pueden adaptar continuamente sus parámetros en tiempo real a medida que procesan nuevos flujos de datos. Esta adaptabilidad, a menudo denominada comportamiento "líquido", permite a la red mantener la robustez y ajustarse sobre la marcha a condiciones cambiantes, lo que las hace excepcionalmente adecuadas para procesar datos de series temporales y controlar sistemas dinámicos.

Una ventaja fundamental de las LNNs es su eficiencia de parámetros. Mientras que modelos grandes como los Transformers o los Modelos de Lenguaje Extensos (LLMs) requieren miles de millones de parámetros y enormes recursos computacionales para realizar tareas complejas, las LNNs a menudo pueden lograr un rendimiento comparable o superior en tareas secuenciales específicas con solo unas pocas docenas o cientos de neuronas. La investigación de instituciones como el Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT ha demostrado que estas redes compactas proporcionan una alta interpretabilidad y eficiencia, reduciendo la carga computacional requerida tanto para el entrenamiento como para la implementación.

Link to this sectionDiferenciación de las LNNs respecto a las redes tradicionales#

Aunque tanto las LNNs como las RNNs estándar procesan datos secuenciales, manejan el concepto del tiempo de forma distinta. Las RNNs estándar y las redes de Memoria a Corto-Largo Plazo (LSTM) operan en pasos de tiempo discretos, lo que significa que procesan los datos fotograma a fotograma o paso a paso. Las LNNs, sin embargo, procesan las entradas de forma continua, de manera similar a las ecuaciones diferenciales que modelan fenómenos físicos. Esta dinámica de tiempo continuo permite a las LNNs manejar datos muestreados de forma irregular sin problemas, sin depender de tasas de muestreo fijas. Además, mientras que los modelos tradicionales congelan sus parámetros aprendidos tras el entrenamiento, los estados ocultos en las LNNs se adaptan dinámicamente, asegurando que el modelo permanezca receptivo a nuevas anomalías imprevistas durante la inferencia en tiempo real.

Link to this sectionAplicaciones reales de las LNNs#

Debido a su resiliencia, interpretabilidad y bajo número de parámetros, las LNNs se utilizan principalmente en aplicaciones que implican flujos continuos de datos y entornos cambiantes. Dos ejemplos notables incluyen:

• Vehículos Autónomos y Drones: Las LNNs han mostrado un éxito notable en el control de drones autónomos en entornos impredecibles. Su capacidad para adaptar sus procesos de toma de decisiones basados en retroalimentación sensorial continua permite a los drones navegar en condiciones de viento cambiantes u obstáculos dinámicos mucho mejor que los modelos entrenados estáticamente. Su baja huella computacional también las hace ideales para dispositivos de IA de borde (edge AI) con potencia limitada, al procesar los datos directamente en el dron.
• Análisis de series temporales médicas: En diagnóstico sanitario, las LNNs se utilizan para monitorizar continuamente las constantes vitales de los pacientes, como las lecturas de ECG o EEG. Dado que los datos médicos suelen muestrearse de forma irregular, la naturaleza de tiempo continuo de las LNNs es altamente beneficiosa para detectar cambios repentinos en la condición de un paciente, proporcionando modelado predictivo para condiciones como arritmias o convulsiones en tiempo real.

Link to this sectionLas LNNs en el ecosistema#

Aunque las LNNs se especializan en la toma de decisiones temporales y secuenciales, pueden combinarse eficazmente con modelos de visión artificial (computer vision) espacial para sistemas integrales de percepción-acción. Por ejemplo, Ultralytics YOLO26 podría utilizarse para procesar fotogramas de vídeo para la detección de objetos en tiempo real, enviando las coordenadas del cuadro delimitador (bbox) y los datos de clasificación a una Red Neuronal Líquida posterior. La LNN interpretaría entonces estos flujos continuos de coordenadas a lo largo del tiempo para dirigir la navegación o los mecanismos de control robótico de un agente de IA.

Para explorar la creación de pipelines de IA eficientes y en tiempo real, puedes empezar entrenando e implementando modelos de visión mediante la Plataforma Ultralytics, asegurándote de que tus modelos sean ligeros y estén listos para la implementación en el borde.

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)

La investigación continua sobre las LNNs, dirigida por grupos como Liquid AI, sigue superando los límites de cuán adaptables, eficientes e interpretables pueden ser los sistemas de Inteligencia Artificial (IA) cuando se despliegan en el mundo real, complejo y dinámico.