Réseaux neuronaux liquides (LNN)

Les réseaux neuronaux liquides (LNN) constituent une sous-classe hautement dynamique et flexible des réseaux neuronaux récurrents (RNN) en temps continu, inspirée de la structure du système nerveux d'organismes simples, comme le ver C. elegans. Contrairement aux modèles traditionnels d'apprentissage profond où les poids (ou paramètres) sont fixés après l'entraînement, les LNN peuvent adapter leurs paramètres en continu et en temps réel à mesure qu'ils traitent de nouveaux flux d'entrée. Cette adaptabilité, souvent qualifiée de comportement « liquide », permet au réseau de conserver sa robustesse et de s'ajuster à la volée aux conditions changeantes, ce qui les rend particulièrement bien adaptés au traitement des données de séries chronologiques et au contrôle de systèmes dynamiques.

L'un des principaux atouts des réseaux neuronaux linéaires (LNN) réside dans l'efficacité de leurs paramètres. Alors que les grands modèles tels que les Transformers ou les grands modèles linguistiques (LLM) nécessitent des milliards de paramètres et d'énormes ressources de calcul pour accomplir des tâches complexes, les LNN parviennent souvent à atteindre des performances comparables ou supérieures dans des tâches séquentielles spécifiques avec seulement quelques dizaines à quelques centaines de neurones. Des recherches menées par des institutions telles que le Laboratoire d'informatique et d'intelligence artificielle (CSAIL) du MIT ont démontré que ces réseaux compacts offrent une grande interprétabilité et une grande efficacité, réduisant ainsi la charge de calcul nécessaire tant pour l'entraînement que pour le déploiement.

Différencier les réseaux neuronaux linéaires (LNN) des réseaux traditionnels

Si les LNN et les RNN classiques traitent toutes deux des données séquentielles, elles abordent le concept de temps différemment. Les RNN classiques et les réseaux à mémoire à court et long terme (LSTM) fonctionnent par pas de temps discrets, ce qui signifie qu’ils traitent les données trame par trame ou étape par étape. Les LNN, en revanche, traitent les entrées en continu, à l'instar des équations différentielles modélisant les phénomènes physiques. Cette dynamique en temps continu permet aux LNN de gérer avec aisance les données échantillonnées de manière irrégulière, sans dépendre de taux d'échantillonnage fixes. De plus, alors que les modèles traditionnels figent leurs paramètres appris après l'entraînement, les états cachés dans les LNN s'adaptent de manière dynamique, garantissant que le modèle reste réactif face à de nouvelles anomalies inconnues lors de l'inférence en temps réel.

Applications concrètes des réseaux neuronaux linéaires

En raison de leur résilience, de leur interprétabilité et de leur faible nombre de paramètres, les réseaux neuronaux linéaires (LNN) sont principalement utilisés dans des applications impliquant des flux de données continus et des environnements changeants. On peut citer notamment deux exemples notables :

• Véhicules autonomes et drones : Les réseaux neuronaux en ligne (LNN) ont fait leurs preuves dans le pilotage de drones autonomes dans des environnements imprévisibles. Leur capacité à adapter leurs processus décisionnels en fonction d'un retour d'informations sensoriel continu permet aux drones de s'adapter aux variations des conditions de vent ou aux obstacles dynamiques bien mieux que les modèles entraînés de manière statique. Leur faible empreinte informatique les rend également idéaux pour les appareils d'IA en périphérie disposant d'une puissance limitée, puisqu'ils traitent les données directement sur le drone.
• Analyse des séries chronologiques en médecine : Dans le domaine du diagnostic médical, les réseaux neuronaux linéaires (LNN) sont utilisés pour surveiller en continu les paramètres vitaux des patients, tels que les enregistrements ECG ou EEG. Les données médicales étant souvent échantillonnées de manière irrégulière, la nature en temps continu des LNN s'avère très utile pour détecter les changements soudains de l' état d'un patient, permettant ainsi une modélisation prédictive en temps réel de troubles tels que les arythmies ou les crises épileptiques.

Les réseaux neuronaux locaux dans l'écosystème

Si les réseaux neuronaux liquides (LNN) sont spécialisés dans la prise de décision temporelle et séquentielle, ils peuvent être associés efficacement à des modèles de vision par ordinateur spatiaux pour créer des systèmes perception-action complets. Par exemple, Ultralytics pourrait être utilisé pour traiter des images vidéo en vue de la détection d’objets en temps réel, en transmettant les coordonnées des cadres de sélection et les données de classification à un réseau neuronal liquide en aval. Le LNN interpréterait alors ces flux continus de coordonnées au fil du temps pour piloter la navigation d'un agent IA ou les mécanismes de contrôle robotique.

Pour découvrir comment créer des pipelines d'IA efficaces et fonctionnant en temps réel, vous pouvez commencer par entraîner et déployer des modèles de vision à l'aide de Ultralytics , ce qui vous garantit des modèles légers et prêts à être déployés en périphérie.

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)

Les recherches en cours sur les réseaux neuronaux liquides (LNN), menées par des groupes tels que Liquid AI, continuent de repousser les limites de l'adaptabilité, de l'efficacité et de l'interprétabilité des systèmes d'intelligence artificielle (IA) lorsqu'ils sont déployés dans le monde réel, complexe et dynamique.