Liquid Neural Networks (LNNs)

Жидкостные нейронные сети (LNN) — это высокодинамичный и гибкий подкласс непрерывных рекуррентных нейронных сетей (RNN), вдохновленный структурой нервной системы простых организмов, таких как червь C. elegans. В отличие от традиционных моделей глубинного обучения, где веса (или параметры) фиксируются после обучения, LNN могут непрерывно адаптировать свои параметры в режиме реального времени по мере обработки новых потоков входных данных. Эта адаптивность, которую часто называют «жидким» поведением, позволяет сети сохранять устойчивость и на лету подстраиваться к изменяющимся условиям, что делает их исключительно подходящими для обработки временных рядов и управления динамическими системами.

Ключевое преимущество LNN — эффективность использования параметров. В то время как крупным моделям, таким как Transformer или большим языковым моделям (LLM), требуются миллиарды параметров и огромные вычислительные ресурсы для решения сложных задач, LNN часто могут достигать сопоставимых или превосходных результатов в конкретных последовательных задачах, используя всего от нескольких десятков до нескольких сотен нейронов. Исследования таких организаций, как Лаборатория компьютерных наук и искусственного интеллекта MIT (CSAIL), показали, что эти компактные сети обладают высокой интерпретируемостью и эффективностью, снижая вычислительные затраты как при обучении, так и при развертывании.

Link to this sectionОтличия LNN от традиционных сетей#

Хотя и LNN, и стандартные RNN работают с последовательными данными, они по-разному обрабатывают концепцию времени. Стандартные RNN и сети долгой краткосрочной памяти (LSTM) работают с дискретными временными шагами, то есть обрабатывают данные кадр за кадром или шаг за шагом. LNN же обрабатывают входные данные непрерывно, подобно дифференциальным уравнениям, моделирующим физические явления. Эта непрерывная динамика позволяет LNN эффективно справляться с нерегулярно дискретизированными данными, не полагаясь на фиксированную частоту дискретизации. Кроме того, в то время как традиционные модели «замораживают» свои выученные параметры после обучения, скрытые состояния в LNN адаптируются динамически, гарантируя, что модель остается чувствительной к новым, ранее не встречавшимся аномалиям во время вывода в реальном времени.

Link to this sectionПрименение LNN в реальных условиях#

Благодаря своей устойчивости, интерпретируемости и небольшому количеству параметров, LNN в первую очередь используются в приложениях, связанных с непрерывными потоками данных и меняющейся средой. Вот два ярких примера:

• Автономные транспортные средства и дроны: LNN показали замечательные успехи в управлении автономными дронами в непредсказуемых условиях. Их способность адаптировать процессы принятия решений на основе непрерывной сенсорной обратной связи позволяет дронам справляться с меняющимися порывами ветра или динамическими препятствиями гораздо лучше, чем статически обученным моделям. Их низкие вычислительные требования также делают их идеальными для периферийных AI-устройств (edge AI) с ограниченным питанием, где обработка данных происходит прямо на дроне.
• Анализ медицинских временных рядов: В медицинской диагностике LNN используются для непрерывного мониторинга жизненно важных показателей пациента, таких как ЭКГ или ЭЭГ. Поскольку медицинские данные часто поступают нерегулярно, непрерывный характер работы LNN очень полезен для обнаружения внезапных изменений в состоянии пациента, обеспечивая прогнозное моделирование таких состояний, как аритмия или приступы, в режиме реального времени.

Link to this sectionLNN в экосистеме#

Хотя LNN специализируются на временном, последовательном принятии решений, их можно эффективно объединять с пространственными моделями компьютерного зрения для создания комплексных систем восприятия и действия. Например, Ultralytics YOLO26 можно использовать для обработки видеокадров для обнаружения объектов в реальном времени, передавая координаты ограничивающих рамок (BBox) и данные классификации в последующую жидкостную нейронную сеть. Затем LNN будет интерпретировать эти непрерывные потоки координат во времени для управления навигацией AI-агента или механизмами управления роботом.

Чтобы научиться создавать эффективные AI-конвейеры в реальном времени, начни с обучения и развертывания моделей зрения с помощью платформы Ultralytics — это гарантирует, что твои модели будут легкими и готовыми к развертыванию на периферийных устройствах.

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)

Текущие исследования LNN, проводимые такими группами, как Liquid AI, продолжают расширять границы того, насколько адаптивными, эффективными и интерпретируемыми могут быть системы искусственного интеллекта (AI) при их развертывании в сложном и динамичном реальном мире.