リキッドニューラルネットワーク（LNN）

リキッドニューラルネットワーク（LNN）は、C. elegans（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 再帰型ニューラルネットワーク（RNN） の、極めて動的で柔軟性の高いサブクラスである。 重み （またはパラメータ）が学習後に固定される 従来のディープラーニングモデルとは異なり、LNNは新しい入力ストリームを処理する際に、 リアルタイムでパラメータを継続的に適応させることができます。この適応性は、しばしば「リキッド」な挙動と呼ばれ、ネットワークが 堅牢性を維持しつつ、変化する状況に即座に対応することを可能にするため、 時系列データの処理や動的システムの制御に極めて適しています。

LNNの主な利点は、そのパラメータ効率にあります。 Transformerや 大規模言語モデル（LLM）のような大規模なモデルは、 複雑なタスクを実行するために数十億ものパラメータと膨大な計算リソースを必要としますが、LNNは、わずか数十から数百のニューロンだけで、特定の逐次処理タスクにおいて同等の あるいはそれ以上の性能を発揮できることがよくあります。MITのコンピュータ科学・人工知能研究所（CSAIL）などの 研究機関による研究では、 こうしたコンパクトなネットワークが高い解釈性と効率性を提供し、 トレーニングとデプロイの両方で必要な計算上の オーバーヘッドを削減できることが実証されています。

LNNと従来のニューラルネットワークの違い

LNNも標準的なRNNも時系列データを処理しますが、時間の概念に対する扱いは異なります。標準的なRNN および 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、つまりデータをフレーム単位またはステップ単位で処理します。 一方、LNN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。この連続時間ダイナミクスにより、 LNNは固定のサンプリングレートに依存することなく、不規則にサンプリングされたデータを円滑に処理できます。さらに、 従来のモデルは学習後のパラメータを固定しますが、LNNの隠れ状態は動的に適応するため、 リアルタイム推論中に、モデルが新しい、未見の 異常に対しても応答性を維持できるようになります。

LNNの実用例

LNNは、その堅牢性、解釈可能性、およびパラメータ数が少ないという特徴から、主に 連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使用されています。その代表的な例として、以下の2つが挙げられます：

• 自律走行車とドローン： LNN（長短期記憶ネットワーク）は、予測不可能な環境下での自律型ドローンの制御において、目覚ましい成果を上げています。 継続的なセンサーからの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その能力により、ドローンは、 静的に学習されたモデルよりもはるかに優れた性能で、変化する風況や動的な障害物を回避することができます。また、 計算負荷が低いという特性も相まって、電力が限られたエッジAIデバイスに最適であり、 ドローン上で直接データを処理することが可能です。
• 医療時系列分析： 医療診断の分野では、 LNN（線形ニューラルネットワーク）を用いて、心電図（ECG）や脳波（EEG）などの患者のバイタルサインを継続的にモニタリングしています。医療データは不規則にサンプリングされることが多いため、 LNNの連続時間特性は、患者の状態における急激な変化を検知する上で非常に有用であり、 不整脈や発作といった症状に対する 予測モデリングをリアルタイムで提供します。

エコシステムにおけるLNN

LNN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 を活用して 動画フレームを処理し、リアルタイムで物体検出を行い、 バウンディングボックスの座標や分類データを下流のLiquid Neural Network（LNN）に供給することができます。 その後、LNNは 時間経過に伴うこれらの連続的な座標ストリームを解釈し、 AIエージェントのナビゲーションやロボット制御メカニズムを駆動します。

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際は、まず Ultralytics を使用してビジョンモデルのトレーニングとデプロイを行い、 モデルが軽量でエッジ環境でのデプロイに対応していることを確認することから始められます。

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LNNに関する継続的な研究は、 複雑でダイナミックな実社会に導入された際、人工知能（AI）システムが どれほど適応性が高く、効率的で、解釈可能であるかという 限界を押し広げ続けている。