Liquid Neural Networks (LNNs)

Sıvı Sinir Ağları (LNNs), basit organizmaların, örneğin C. elegans solucanının, sinir sisteminin yapısından ilham alan, sürekli zamanlı Tekrarlayan Sinir Ağlarının (RNNs) son derece dinamik ve esnek bir alt sınıfıdır. Ağırlıkların (veya parametrelerin) eğitimden sonra sabit kaldığı geleneksel derin öğrenme modellerinin aksine, LNNs yeni girdi akışlarını işlerken parametrelerini gerçek zamanlı olarak sürekli uyarlayabilir. Genellikle "sıvı" davranış olarak adlandırılan bu uyarlanabilirlik, ağın sağlamlığını korumasını ve değişen koşullara anında uyum sağlamasını mümkün kılar; bu da ağları zaman serisi verilerini işlemek ve dinamik sistemleri kontrol etmek için son derece uygun hale getirir.

LNNs'nin temel avantajlarından biri parametre verimliliğidir. Transformer'lar veya Büyük Dil Modelleri (LLMs) gibi büyük modeller, karmaşık görevleri gerçekleştirmek için milyarlarca parametreye ve muazzam hesaplama kaynaklarına ihtiyaç duyarken, LNNs belirli sıralı görevlerde yalnızca birkaç düzineden birkaç yüz nörona kadar kullanarak çoğu zaman benzer veya daha üstün performans elde edebilir. MIT Bilgisayar Bilimi ve Yapay Zekâ Laboratuvarı (CSAIL) gibi kurumların araştırmaları, bu kompakt ağların yüksek yorumlanabilirlik ve verimlilik sağladığını, hem eğitim hem de dağıtım için gereken hesaplama yükünü azalttığını göstermiştir.

LNNs'yi Geleneksel Ağlardan Ayıran Özellikler#

Hem LNNs hem de standart RNNs sıralı verileri işler, ancak zaman kavramını farklı şekilde ele alır. Standart RNNs ve Uzun Kısa Süreli Bellek (LSTM) ağları ayrık zaman adımlarında çalışır; yani verileri kare kare veya adım adım işler. Buna karşılık LNNs, fiziksel olguları modelleyen diferansiyel denklemlere benzer şekilde girdileri sürekli olarak işler. Bu sürekli zaman dinamiği, LNNs'nin sabit örnekleme hızlarına bağlı kalmadan düzensiz örneklenmiş verileri başarılı bir şekilde işlemesini sağlar. Ayrıca, geleneksel modeller eğitim sonrasında öğrendikleri parametreleri dondururken LNNs'deki gizli durumlar dinamik olarak uyum sağlar ve modelin gerçek zamanlı çıkarım sırasında yeni, daha önce görülmemiş anomali lere duyarlı kalmasını güvence altına alır.

LNNs'nin Gerçek Dünya Uygulamaları#

Dayanıklılıkları, yorumlanabilirlikleri ve düşük parametre sayıları sayesinde LNNs, öncelikle sürekli veri akışlarını ve değişen ortamları içeren uygulamalarda kullanılır. Dikkat çeken iki örnek şunlardır:

• Otonom Araçlar ve Dronlar: LNNs, öngörülemeyen ortamlarda otonom dronları kontrol etmede dikkate değer bir başarı göstermiştir. Karar verme süreçlerini sürekli duyusal geri bildirimlere göre uyarlayabilmeleri, dronların değişen rüzgâr koşullarında veya dinamik engeller arasında statik olarak eğitilmiş modellere kıyasla çok daha iyi gezinmesini sağlar. Düşük hesaplama gereksinimleri, onları sınırlı güce sahip uç AI cihazları için de ideal hale getirir; bu cihazlar verileri doğrudan drone üzerinde işleyebilir.
• Tıbbi Zaman Serisi Analizi: Sağlık hizmetlerinde tanı alanında LNNs, EKG veya EEG okumaları gibi hasta yaşamsal bulgularını sürekli izlemek için kullanılır. Tıbbi veriler çoğu zaman düzensiz aralıklarla örneklendiğinden, LNNs'nin sürekli zamanlı yapısı hastanın durumundaki ani değişimleri tespit etmede büyük fayda sağlar ve aritmi veya nöbet gibi durumlar için gerçek zamanlı öngörücü modelleme sunar.

Ekosistemde LNNs#

LNNs zamansal, sıralı karar verme konusunda uzmanlaşırken, kapsamlı algı-eylem sistemleri oluşturmak için uzamsal bilgisayarlı görü modelleriyle etkili bir şekilde eşleştirilebilir. Örneğin, Ultralytics YOLO26, gerçek zamanlı nesne algılama için video karelerini işlemek ve sınırlayıcı kutu koordinatlarıyla sınıflandırma verilerini sonraki aşamadaki bir Sıvı Sinir Ağına aktarmak üzere kullanılabilir. LNN daha sonra bu sürekli koordinat akışlarını zaman içinde yorumlayarak bir AI aracısının navigasyonunu veya robotik kontrol mekanizmalarını yönlendirebilir.

Verimli, gerçek zamanlı AI işlem hatları oluşturmayı keşfetmek için Ultralytics Platformu ile görme modellerini eğitip dağıtarak başlayabilir, modellerinin hafif ve uçta dağıtıma hazır olmasını sağlayabilirsin.

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 gibi grupların öncülük ettiği LNNs üzerine devam eden araştırmalar, karmaşık ve dinamik gerçek dünyada dağıtıldıklarında Yapay Zekâ (AI) sistemlerinin ne kadar uyarlanabilir, verimli ve yorumlanabilir olabileceğinin sınırlarını genişletmeye devam ediyor.