Redes Neurais Líquidas (LNNs)

As Redes Neurais Líquidas (LNNs) são uma subclasse altamente dinâmica e flexível das 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 aprendizagem profunda, em que os pesos (ou parâmetros) são fixados após o treino, 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 às condições em constante mudança em tempo real, tornando-as excepcionalmente adequadas para o processamento de dados de séries temporais e o controlo de sistemas dinâmicos.

Uma das principais vantagens das LNNs é a eficiência dos seus parâmetros. Enquanto modelos de grande dimensão, como os Transformers ou os Grandes Modelos de Linguagem (LLMs), requerem milhares de milhões de parâmetros e imensos recursos computacionais para realizar tarefas complexas, as LNNs conseguem frequentemente atingir um desempenho comparável ou superior em tarefas sequenciais específicas com apenas algumas dezenas a algumas centenas de neurónios. Investigação realizada por instituições como o Laboratório de Ciência da Computação e Inteligência Artificial (CSAIL) do MIT demonstrou que estas redes compactas oferecem elevada interpretabilidade e eficiência, reduzindo a sobrecarga computacional necessária tanto para o treino como para a implementação.

Diferenciar as LNNs das redes tradicionais

Embora tanto as LNNs como as RNNs padrão processem dados sequenciais, lidam com o conceito de tempo de forma diferente. As RNNs padrão e as redes de Memória de Curto e Longo Prazo (LSTM) operam em intervalos de tempo discretos, o que significa que processam os dados quadro a quadro ou passo a passo. As LNNs, no entanto, processam entradas de forma contínua, à semelhança das equações diferenciais que modelam fenómenos físicos. Esta dinâmica em tempo contínuo permite que as LNNs lidem com dados amostrados de forma irregular com facilidade, 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 permanece sensível a novas anomalias nunca antes vistas durante a inferência em tempo real.

Aplicações práticas das redes neurais lineares

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

• Veículos autónomos e drones: As LNNs têm demonstrado 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 em feedback sensorial contínuo permite que os drones naveguem em condições de vento variáveis ou entre obstáculos dinâmicos muito melhor do que os modelos treinados de forma estática. A sua baixa pegada computacional também as torna ideais para dispositivos de IA de ponta com potência limitada, processando dados diretamente no drone.
• Análise de séries temporais médicas: No diagnóstico clínico, as LNNs são utilizadas para monitorizar continuamente os sinais vitais dos doentes, tais como leituras de ECG ou EEG. Uma vez que os dados médicos são frequentemente recolhidos de forma irregular, a natureza de tempo contínuo das LNNs é extremamente benéfica para detetar alterações repentinas no estado do doente, proporcionando modelos preditivos para condições como arritmias ou convulsões em tempo real.

As LNNs no ecossistema

Embora as LNNs sejam especializadas na tomada de decisões temporais e sequenciais, podem ser combinadas de forma eficaz com modelos espaciais de visão computacional para criar sistemas abrangentes de perceção-ação. Por exemplo, Ultralytics poderia ser utilizado para processar fotogramas de vídeo para a deteção de objetos em tempo real, fornecendo coordenadas de caixas delimitadoras e dados de classificação a uma Rede Neural Líquida a jusante. A LNN interpretaria então esses fluxos contínuos de coordenadas ao longo do tempo para orientar a navegação de um agente de IA ou os mecanismos de controlo robótico.

Para explorar a criação de pipelines de IA eficientes e em tempo real, pode começar por treinar e implementar modelos de visão utilizando a Ultralytics , garantindo que os seus modelos são leves e estão prontos para implementação na periferia.

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 as LNNs, liderada por grupos como a Liquid AI, continua a expandir os limites da adaptabilidade, eficiência e interpretabilidade dos sistemas de Inteligência Artificial (IA) quando implementados no mundo real, complexo e dinâmico.