Liquid Neural Networks (LNNs)

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

Uma das principais vantagens das LNNs é a eficiência em termos de parâmetros. Embora modelos grandes, como Transformers ou Modelos de Linguagem de Grande Escala (LLMs), exijam milhares de milhões de parâmetros e enormes recursos computacionais para executar tarefas complexas, as LNNs conseguem frequentemente alcançar um desempenho comparável ou superior em tarefas sequenciais específicas usando apenas algumas dezenas a algumas centenas de neurónios. Pesquisas de instituições como o Laboratório de Ciência da Computação e Inteligência Artificial do MIT (CSAIL) demonstraram que essas redes compactas oferecem elevada interpretabilidade e eficiência, reduzindo a sobrecarga computacional necessária tanto para o treino como para a implementação.

Diferenciando as LNNs das Redes Tradicionais#

Embora tanto as LNNs como as RNNs padrão processem dados sequenciais, elas lidam de forma diferente com o conceito de tempo. As RNNs padrão e as redes de Memória de Longo e Curto Prazo (LSTM) operam em passos de tempo discretos, o que significa que processam os dados quadro a quadro ou passo a passo. As LNNs, no entanto, processam as entradas continuamente, de forma semelhante às equações diferenciais que modelam fenómenos físicos. Essa dinâmica de tempo contínuo permite que as LNNs lidem naturalmente com dados amostrados de forma irregular, sem depender de taxas de amostragem fixas. Além disso, enquanto os modelos tradicionais congelam os parâmetros aprendidos após o treino, os estados ocultos das LNNs adaptam-se dinamicamente, garantindo que o modelo continue responsivo a novas anomalias não observadas durante a inferência em tempo real.

Aplicações das LNNs no Mundo Real#

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

• Veículos Autónomos e Drones: As LNNs demonstraram um sucesso notável no controlo de drones autónomos em ambientes imprevisíveis. A sua capacidade de adaptar os processos de tomada de decisão com base num feedback sensorial contínuo permite que os drones naveguem em condições de vento variáveis ou contornem obstáculos dinâmicos muito melhor do que os modelos treinados estaticamente. O seu baixo consumo computacional também as torna ideais para dispositivos de IA de borda com potência limitada, processando os dados diretamente no drone.
• Análise de Séries Temporais Médicas: Em diagnósticos de saúde, as LNNs são utilizadas para monitorizar continuamente os sinais vitais dos pacientes, 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 alterações súbitas no estado de um paciente, fornecendo modelação preditiva para condições como arritmias ou convulsões em tempo real.

LNNs no Ecossistema#

Embora as LNNs sejam especializadas na tomada de decisões temporais e sequenciais, podem ser combinadas eficazmente com modelos espaciais de visão computacional para criar sistemas abrangentes de perceção e ação. Por exemplo, o Ultralytics YOLO26 poderia ser utilizado para processar quadros de vídeo para deteção de objetos em tempo real, fornecendo coordenadas das caixas delimitadoras e dados de classificação a uma Rede Neural Líquida subsequente. A LNN interpretaria então esses fluxos contínuos de coordenadas ao longo do tempo para controlar a navegação ou os mecanismos de controlo robótico de um agente de IA.

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 Platform, garantindo que os seus modelos sejam leves e estejam prontos para implementação na borda.

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