Liquid Neural Networks (LNNs)

As Redes Neurais Líquidas (LNNs) são uma subclasse altamente dinâmica e flexível de Redes Neurais Recorrentes (RNNs) de tempo contínuo, inspiradas na estrutura do sistema nervoso de organismos simples, como o verme C. elegans. Ao contrário dos modelos tradicionais de deep learning em que os pesos (ou parâmetros) são fixos após o treinamento, as LNNs podem adaptar continuamente os seus parâmetros em tempo real à medida que processam novos fluxos de entrada. Esta adaptabilidade, frequentemente referida como comportamento "líquido", permite que a rede mantenha a robustez e se ajuste a condições variáveis em tempo real, tornando-as excecionalmente adequadas para processar dados de séries temporais e controlar sistemas dinâmicos.

Uma vantagem central das LNNs é a sua eficiência de parâmetros. Enquanto grandes modelos como Transformers ou Large Language Models (LLMs) requerem milhares de milhões de parâmetros e imensos recursos computacionais para realizar tarefas complexas, as LNNs podem frequentemente alcançar um desempenho comparável ou superior em tarefas sequenciais específicas com apenas algumas dezenas a algumas centenas de neurónios. A investigação de instituições como o Laboratório de Ciência da Computação e Inteligência Artificial do MIT (CSAIL) demonstrou que estas redes compactas proporcionam uma elevada interpretabilidade e eficiência, reduzindo a sobrecarga computacional necessária tanto para o treino como para a implementação.

Link to this sectionDiferenciar LNNs de Redes Tradicionais#

Embora tanto as LNNs como as RNNs padrão processem dados sequenciais, elas lidam com o conceito de tempo de forma diferente. As RNNs padrão e as redes de Memória de Longo Curto Prazo (LSTM) operam em passos de tempo discretos, o que significa que processam dados frame a frame ou passo a passo. As LNNs, contudo, processam entradas continuamente, de forma semelhante a equações diferenciais que modelam fenómenos físicos. Esta dinâmica de tempo contínuo permite que as LNNs lidem com dados amostrados de forma irregular com elegância, sem depender de taxas de amostragem fixas. Além disso, enquanto os modelos tradicionais congelam os seus parâmetros aprendidos após o treino, os estados ocultos nas LNNs adaptam-se dinamicamente, garantindo que o modelo permaneça responsivo a novas anomalias não vistas durante a inferência em tempo real.

Link to this sectionAplicações Reais das LNNs#

Devido à sua resiliência, interpretabilidade e baixo número de parâmetros, as LNNs são principalmente utilizadas em aplicações que envolvem fluxos contínuos de dados e ambientes em mudança. Dois exemplos notáveis incluem:

• Veículos Autónomos e Drones: As LNNs mostraram um sucesso notável no controlo de drones autónomos em ambientes imprevisíveis. A sua capacidade de adaptar os seus processos de tomada de decisão com base no feedback sensorial contínuo permite que os drones naveguem em condições de vento variáveis ou obstáculos dinâmicos muito melhor do que modelos treinados estaticamente. A sua baixa pegada computacional também os torna ideais para dispositivos de Edge AI com energia limitada, processando dados diretamente no drone.
• Análise de Séries Temporais Médicas: Em diagnósticos de saúde, as LNNs são usadas para monitorizar continuamente os sinais vitais do paciente, como leituras de ECG ou EEG. Como os dados médicos são frequentemente amostrados de forma irregular, a natureza de tempo contínuo das LNNs é altamente benéfica para detetar mudanças súbitas na condição de um paciente, fornecendo modelagem preditiva para condições como arritmias ou convulsões em tempo real.

Link to this sectionLNNs no Ecossistema#

Embora as LNNs se especializem em tomada de decisão temporal e sequencial, elas podem ser eficazmente combinadas com modelos espaciais de visão computacional para sistemas abrangentes de perceção-ação. Por exemplo, o Ultralytics YOLO26 pode ser utilizado para processar frames de vídeo para deteção de objetos em tempo real, enviando coordenadas de caixa delimitadora (bounding box) e dados de classificação para uma Redes Neurais Líquida a jusante. A LNN interpretaria então estes fluxos de coordenadas contínuos ao longo do tempo para orientar a navegação de um agente de IA ou mecanismos de controlo robótico.

Para explorar a construção de pipelines de IA eficientes e em tempo real, podes começar por treinar e implementar modelos de visão utilizando a Plataforma Ultralytics, garantindo que os teus modelos sejam leves e prontos para implementação na edge.

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)

A investigação em curso sobre LNNs, liderada por grupos como a Liquid AI, continua a expandir os limites de quão adaptáveis, eficientes e interpretáveis os sistemas de Inteligência Artificial (IA) podem ser quando implementados no mundo real, complexo e dinâmico.