Liquid Neural Networks (LNNs)

液体ニューラルネットワーク (LNNs) は、線虫のような単純な生物の神経系の構造に着想を得た、連続時間型の非常に動的で柔軟なリカレントニューラルネットワーク (RNNs)のサブクラスです。従来のディープラーニングモデルでは、学習後に重み（またはパラメーター）が固定されますが、LNNsは新しい入力ストリームを処理しながら、リアルタイムでパラメーターを継続的に適応させることができます。この適応性は「液体」挙動と呼ばれることが多く、ネットワークが堅牢性を維持し、変化する状況にその場で対応できるようにします。そのため、時系列データの処理や動的システムの制御に特に適しています。

LNNsの大きな利点は、パラメーター効率です。Transformerや大規模言語モデル (LLMs)のような大規模モデルは、複雑なタスクを実行するために数十億個のパラメーターと膨大な計算リソースを必要とします。一方、LNNsは、特定の逐次タスクにおいて、数十個から数百個のニューロンだけで同等以上の性能を達成できることがよくあります。MITのコンピューターサイエンス・人工知能研究所 (CSAIL)などの研究機関による研究では、これらのコンパクトなネットワークが高い解釈可能性と効率性を提供し、学習とデプロイの両方に必要な計算オーバーヘッドを削減できることが示されています。

LNNsと従来型ネットワークの違い#

LNNsと標準的なRNNsはいずれも逐次データを処理しますが、時間の概念の扱い方が異なります。標準的なRNNsや長短期記憶 (LSTM)ネットワークは離散的な時間ステップで動作し、データをフレームごと、またはステップごとに処理します。一方、LNNsは物理現象をモデル化する微分方程式と同様に、入力を連続的に処理します。この連続時間の動的性により、LNNsは固定されたサンプリングレートに依存せず、不規則にサンプリングされたデータも適切に扱えます。さらに、従来のモデルが学習後に学習済みパラメーターを固定するのに対し、LNNsの隠れ状態は動的に適応します。これにより、リアルタイム推論中も、未知の新たな異常に対するモデルの応答性が維持されます。

LNNsの実世界での応用#

LNNsは、堅牢性、解釈可能性、少ないパラメーター数を備えているため、継続的なデータストリームや変化する環境を伴うアプリケーションで主に使用されます。代表的な例として、次の2つが挙げられます。

• 自律走行車とドローン: LNNsは、予測困難な環境で自律型ドローンを制御する用途で、目覚ましい成果を上げています。継続的なセンサーフィードバックに基づいて意思決定プロセスを適応させる能力により、ドローンは静的に学習されたモデルよりも、変化する風況や動的な障害物に適切に対応しながら航行できます。計算負荷が小さいため、電力に制約のあるエッジAIデバイスにも適しており、ドローン上で直接データを処理できます。
• 医療時系列分析: 医療診断では、LNNsを使用して、ECGやEEGの測定値など、患者のバイタルサインを継続的にモニタリングします。医療データは不規則な間隔でサンプリングされることが多いため、LNNsの連続時間特性は、患者の状態の急激な変化を検出するうえで非常に有効です。これにより、不整脈や発作などの状態に対する予測モデリングをリアルタイムで実行できます。

エコシステムにおけるLNNs#

LNNsは時間的・逐次的な意思決定に特化していますが、空間的なコンピュータービジョンモデルと効果的に組み合わせることで、包括的な知覚・行動システムを構築できます。例えば、Ultralytics YOLO26を使用して動画フレームを処理し、リアルタイムの物体検出を実行するとともに、バウンディングボックスの座標と分類データを後段の液体ニューラルネットワークに入力できます。LNNは、この連続的な座標ストリームを時間の経過に沿って解釈し、AIエージェントのナビゲーションやロボット制御機構を駆動します。

効率的なリアルタイムAIパイプラインの構築を検討するには、Ultralytics Platformを使用してビジョンモデルの学習とデプロイを始めることができます。これにより、モデルを軽量に保ち、エッジデプロイに適した状態にできます。

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)

Liquid AIなどのグループが主導するLNNsの継続的な研究は、複雑で動的な実世界にデプロイされた人工知能 (AI)システムの適応性、効率性、解釈可能性をどこまで高められるか、その可能性を広げ続けています。