Sıvı Sinir Ağları (LNN'ler)

Sıvı Sinir Ağları (LNN'ler), C. elegans solucanı gibi basit organizmaların sinir sistemi yapısından esinlenerek geliştirilmiş, sürekli zamanlı Tekrarlayan Sinir Ağlarının (RNN'ler) son derece dinamik ve esnek bir alt sınıfıdır. Ağırlıkların (veya parametrelerin) eğitimden sonra sabitlendiği geleneksel derin öğrenme modellerinden farklı olarak, LNN'ler 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 onları zaman serisi verilerini işlemek ve dinamik sistemleri kontrol etmek için son derece uygun hale getirir.

LNN'lerin temel bir avantajı, parametre verimlilikleridir. Transformers veya Büyük Dil Modelleri (LLM'ler) gibi büyük modeller, karmaşık görevleri yerine getirmek için milyarlarca parametreye ve muazzam hesaplama kaynaklarına ihtiyaç duyarken, LNN'ler genellikle sadece birkaç düzine ila birkaç yüz nöronla belirli sıralı görevlerde benzer veya daha üstün bir performans sergileyebilir. MIT'nin Bilgisayar Bilimi ve Yapay Zeka Laboratuvarı (CSAIL) gibi kurumların araştırmaları, bu kompakt ağların yüksek yorumlanabilirlik ve verimlilik sağladığını ve hem eğitim hem de dağıtım için gereken hesaplama yükünü azalttığını göstermiştir.

LNN'leri Geleneksel Ağlardan Ayırt Etmek

Hem LNN’ler hem de standart RNN’ler sıralı verileri işlerken, zaman kavramını farklı şekillerde ele alırlar. Standart RNN’ler ve Uzun Kısa Vadeli Bellek (LSTM) ağları ayrık zaman adımlarında çalışır; yani verileri kare kare veya adım adım işlerler. Buna karşın LNN'ler, fiziksel olayları modelleyen diferansiyel denklemler gibi, girdileri sürekli olarak işler. Bu sürekli zaman dinamiği, LNN'lerin sabit örnekleme oranlarına bağlı kalmadan düzensiz örneklemeli verileri sorunsuz bir şekilde işlemesine olanak tanır. Ayrıca, geleneksel modeller öğrenilen parametrelerini eğitimden sonra sabitlerken, LNN'lerdeki gizli durumlar dinamik olarak uyum sağlar ve modelin gerçek zamanlı çıkarım sırasında yeni, görülmemiş anormalliklere karşı duyarlı kalmasını sağlar.

LNN'lerin Gerçek Hayattaki Uygulamaları

Dayanıklılıkları, yorumlanabilirlikleri ve az sayıda parametreye sahip olmaları nedeniyle, LNN’ler öncelikle sürekli veri akışları ve değişken ortamlar içeren uygulamalarda kullanılır. Bunun iki önemli örneği şunlardır:

• Otonom Araçlar ve İHA'lar: LNN'ler, öngörülemez ortamlarda otonom İHA'ları kontrol etme konusunda dikkate değer bir başarı sergilemiştir. Sürekli duyusal geri bildirime dayalı olarak karar verme süreçlerini uyarlama yetenekleri, İHA'ların değişen rüzgâr koşullarında veya dinamik engellerin arasında, statik olarak eğitilmiş modellere kıyasla çok daha iyi bir şekilde seyir yapmasını sağlar. Düşük hesaplama yükü de onları, sınırlı güce sahip uç AI cihazları için ideal hale getirir; verileri doğrudan İHA üzerinde işler.
• Tıbbi Zaman Serisi Analizi: Sağlık teşhisinde, LNN’ler EKG veya EEG okumaları gibi hasta yaşamsal belirtilerini sürekli olarak izlemek için kullanılır. Tıbbi veriler genellikle düzensiz aralıklarla örneklendiğinden, LNN’lerin sürekli zamanlı yapısı, hastanın durumundaki ani değişiklikleri tespit etmek için son derece faydalıdır ve aritmi veya nöbet gibi durumlar için gerçek zamanlı tahmin modelleri sunar.

Ekosistemdeki LNN'ler

LNN'ler zamansal ve sıralı karar verme konusunda uzmanlaşmış olsa da, kapsamlı algılama-eylem sistemleri oluşturmak üzere uzamsal bilgisayar görme modelleriyle etkili bir şekilde birleştirilebilirler. Örneğin, Ultralytics , gerçek zamanlı nesne algılama amacıyla video karelerini işlemek için kullanılabilir; bu işlemde, sınırlayıcı kutu koordinatları ve sınıflandırma verileri, sonraki aşamadaki bir Sıvı Sinir Ağına aktarılır. LNN daha sonra zaman içinde bu sürekli koordinat akışlarını yorumlayarak bir AI ajanın navigasyon veya robotik kontrol mekanizmalarını yönlendirebilir.

Verimli, gerçek zamanlı yapay zeka iş akışları oluşturmayı keşfetmek için, Ultralytics kullanarak görüntü işleme modellerini eğitip devreye alarak başlayabilirsiniz; böylece modellerinizin hafif ve uç cihazlarda kullanıma hazır olmasını sağlayabilirsiniz.

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 öncülüğünde yürütülen LNN araştırmaları, Yapay Zeka (AI) sistemlerinin karmaşık ve dinamik gerçek dünyada uygulandığında ne kadar uyarlanabilir, verimli ve yorumlanabilir olabileceğinin sınırlarını zorlamaya devam ediyor.