Liquid Neural Networks (LNNs)

Las redes neuronales líquidas (LNNs) son una subclase muy dinámica y flexible de redes neuronales recurrentes (RNNs) de tiempo continuo, inspirada en la estructura del sistema nervioso de organismos simples, como el gusano C. elegans. A diferencia de los modelos tradicionales de aprendizaje profundo, cuyos pesos (o parámetros) permanecen fijos después del entrenamiento, las LNNs pueden adaptar continuamente sus parámetros en tiempo real mientras procesan nuevos flujos de entrada. Esta adaptabilidad, conocida a menudo como comportamiento «líquido», permite a la red mantener su robustez y ajustarse sobre la marcha a las condiciones cambiantes, lo que las hace especialmente adecuadas para procesar datos de series temporales y controlar sistemas dinámicos.

Una ventaja fundamental de las LNNs es su eficiencia en cuanto al número de parámetros. Mientras que los modelos grandes, como los Transformers o los modelos de lenguaje grandes (LLMs), requieren miles de millones de parámetros y enormes recursos computacionales para realizar tareas complejas, las LNNs suelen lograr un rendimiento comparable o superior en tareas secuenciales específicas utilizando únicamente unas pocas docenas o unos cientos de neuronas. Las investigaciones de instituciones como el Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT (CSAIL) han demostrado que estas redes compactas ofrecen una alta interpretabilidad y eficiencia, reduciendo la sobrecarga computacional necesaria tanto para el entrenamiento como para el despliegue.

Diferencias entre las LNNs y las redes tradicionales#

Aunque tanto las LNNs como las RNNs estándar procesan datos secuenciales, gestionan el concepto de tiempo de forma diferente. Las RNNs estándar y las redes de memoria a largo y corto plazo (LSTM) funcionan en pasos de tiempo discretos, es decir, procesan los datos fotograma a fotograma o paso a paso. Sin embargo, las LNNs 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 gestionar correctamente datos muestreados de forma irregular, sin depender de frecuencias de muestreo fijas. Además, mientras que los modelos tradicionales congelan sus parámetros aprendidos después del entrenamiento, los estados ocultos de las LNNs se adaptan dinámicamente, lo que garantiza que el modelo siga respondiendo a nuevas anomalías no observadas durante la inferencia en tiempo real.

Aplicaciones de las LNNs en el mundo real#

Gracias 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 destacados son:

• Vehículos autónomos y drones: Las LNNs han demostrado un éxito notable en el control de drones autónomos en entornos impredecibles. Su capacidad para adaptar los procesos de toma de decisiones basándose en la retroalimentación sensorial continua permite a los drones navegar mucho mejor en condiciones de viento cambiantes o sortear obstáculos dinámicos que los modelos entrenados de forma estática. Su reducida huella computacional también las hace ideales para dispositivos de IA en el borde con potencia limitada, ya que procesan los datos directamente en el dron.
• Análisis de series temporales médicas: En el ámbito del 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 resulta muy beneficiosa para detectar cambios repentinos en el estado de un paciente y proporcionar modelos predictivos de afecciones como arritmias o convulsiones en tiempo real.

Las LNNs en el ecosistema#

Aunque las LNNs se especializan en la toma de decisiones temporal y secuencial, pueden combinarse eficazmente con modelos espaciales de visión artificial para crear sistemas integrales de percepción y acción. Por ejemplo, Ultralytics YOLO26 podría utilizarse para procesar fotogramas de vídeo y realizar detección de objetos en tiempo real, enviando las coordenadas de los cuadros delimitadores y los datos de clasificación a una red neuronal líquida posterior. A continuación, la LNN interpretaría estos flujos continuos de coordenadas a lo largo del tiempo para dirigir la navegación de un agente de IA o los mecanismos de control robótico.

Para explorar la creación de canalizaciones de IA eficientes y en tiempo real, puedes empezar por entrenar y desplegar modelos de visión con la plataforma Ultralytics, asegurándote de que tus modelos sean ligeros y estén preparados para el despliegue 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 en curso sobre las LNNs, liderada por grupos como Liquid AI, sigue ampliando los límites de la adaptabilidad, eficiencia e interpretabilidad que pueden alcanzar los sistemas de inteligencia artificial (AI) cuando se despliegan en el complejo y dinámico mundo real.