Liquid Neural Networks (LNNs)

Les réseaux neuronaux liquides (LNNs) constituent une sous-classe très dynamique et flexible des réseaux de neurones récurrents (RNNs) à temps continu, inspirée de la structure du système nerveux d'organismes simples comme le ver C. elegans. Contrairement aux modèles traditionnels de deep learning, dont les poids (ou paramètres) sont figés après l'entraînement, les LNNs peuvent adapter continuellement leurs paramètres en temps réel lorsqu'ils traitent de nouveaux flux d'entrée. Cette adaptabilité, souvent désignée sous le nom de comportement « liquide », permet au réseau de rester robuste et de s'ajuster à l'évolution des conditions à la volée, ce qui le rend particulièrement adapté au traitement des données de séries temporelles et au contrôle de systèmes dynamiques.

L'un des principaux avantages des LNNs réside dans leur efficacité paramétrique. Alors que les grands modèles comme les Transformers ou les grands modèles de langage (LLMs) nécessitent des milliards de paramètres et d'immenses ressources de calcul pour accomplir des tâches complexes, les LNNs peuvent souvent atteindre des performances comparables ou supérieures dans certaines tâches séquentielles avec seulement quelques dizaines à quelques centaines de neurones. Les travaux de recherche menés par des institutions comme le laboratoire d'informatique et d'intelligence artificielle du MIT (CSAIL) ont démontré que ces réseaux compacts offrent une grande interprétabilité et une excellente efficacité, réduisant la surcharge de calcul nécessaire à la fois pour l'entraînement et le déploiement.

Différences entre les LNNs et les réseaux traditionnels#

Bien que les LNNs et les RNNs classiques traitent tous deux des données séquentielles, ils appréhendent différemment la notion de temps. Les RNNs classiques et les réseaux de mémoire à long et court terme (LSTM) fonctionnent selon des pas de temps discrets, ce qui signifie qu'ils traitent les données image par image ou étape par étape. Les LNNs, en revanche, traitent les entrées en continu, à l'instar des équations différentielles qui modélisent les phénomènes physiques. Cette dynamique à temps continu permet aux LNNs de gérer efficacement les données échantillonnées de manière irrégulière, sans dépendre de fréquences d'échantillonnage fixes. De plus, alors que les modèles traditionnels figent leurs paramètres appris après l'entraînement, les états cachés des LNNs s'adaptent dynamiquement, afin que le modèle reste réactif face aux nouvelles anomalies non observées lors de l'inférence en temps réel.

Applications concrètes des LNNs#

Grâce à leur résilience, leur interprétabilité et leur faible nombre de paramètres, les LNNs sont principalement utilisés dans des applications impliquant des flux de données continus et des environnements changeants. Voici deux exemples notables :

• Véhicules autonomes et drones : Les LNNs ont obtenu des résultats remarquables dans le contrôle de drones autonomes évoluant dans des environnements imprévisibles. Leur capacité à adapter leurs processus décisionnels en fonction de retours sensoriels continus permet aux drones de mieux gérer les changements de vent ou les obstacles dynamiques que les modèles entraînés de manière statique. Leur faible empreinte de calcul les rend également idéaux pour les dispositifs AI en périphérie à puissance limitée, qui traitent les données directement sur le drone.
• Analyse de séries temporelles médicales : Dans le cadre du diagnostic médical, les LNNs sont utilisés pour surveiller en continu les constantes vitales des patients, comme les relevés ECG ou EEG. Comme les données médicales sont souvent échantillonnées de manière irrégulière, la nature à temps continu des LNNs est très utile pour détecter les changements soudains de l'état d'un patient et fournir une modélisation prédictive d'affections telles que les arythmies ou les crises convulsives en temps réel.

Les LNNs dans l'écosystème#

Alors que les LNNs sont spécialisés dans la prise de décision temporelle et séquentielle, ils peuvent être associés efficacement à des modèles spatiaux de vision par ordinateur afin de créer des systèmes complets de perception et d'action. Par exemple, Ultralytics YOLO26 pourrait être utilisé pour traiter des images vidéo afin d'effectuer une détection d'objets en temps réel, puis transmettre les coordonnées des boîtes englobantes et les données de classification à un réseau neuronal liquide en aval. Le LNN interpréterait ensuite ces flux continus de coordonnées au fil du temps pour piloter la navigation d'un agent AI ou les mécanismes de contrôle d'un robot.

Pour explorer la création de pipelines AI efficaces en temps réel, tu peux commencer par entraîner et déployer des modèles de vision à l'aide de l'Ultralytics Platform, afin de garantir que tes modèles sont légers et prêts pour un déploiement 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 actuellement menées sur les LNNs, notamment par des groupes comme Liquid AI, continuent de repousser les limites de l'adaptabilité, de l'efficacité et de l'interprétabilité des systèmes d'intelligence artificielle (AI) déployés dans le monde réel complexe et dynamique.