Liquid Neural Networks (LNNs)

C. elegans solucanı gibi basit organizmaların sinir sistemi yapısından esinlenen Sıvı Sinir Ağları (LNN'ler), sürekli zamanlı Yinelemeli Sinir Ağlarının (RNN'ler) oldukça dinamik ve esnek bir alt sınıfıdır. Ağırlıkların (veya parametrelerin) eğitimden sonra sabitlendiği geleneksel derin öğrenme modellerinin aksine, LNN'ler yeni girdi akışlarını işlerken parametrelerini gerçek zamanlı olarak sürekli uyarlayabilir. Genellikle "sıvı" davranış olarak adlandırılan bu uyarlanabilirlik, ağın dayanıklılığını korumasını ve değişen koşullara anında uyum sağlamasını mümkün kılarak, onları zaman serisi verilerini işlemek ve dinamik sistemleri kontrol etmek için son derece uygun hale getirir.

LNN'lerin temel bir avantajı, parametre verimlilikleridir. Transformer'lar veya Büyük Dil Modelleri (LLM'ler) gibi büyük modeller karmaşık görevleri gerçekleştirmek için milyarlarca parametre ve muazzam hesaplama kaynakları gerektirirken, LNN'ler genellikle sadece birkaç düzine ila birkaç yüz nöronla belirli sıralı görevlerde karşılaştırılabilir veya üstün performans elde edebilir. MIT Bilgisayar Bilimi ve Yapay Zeka Laboratuvarı (CSAIL) gibi kurumların araştırmaları, bu kompakt ağların yüksek yorumlanabilirlik ve verimlilik sağladığını, hem eğitim hem de dağıtım için gereken hesaplama yükünü azalttığını göstermiştir.

Link to this sectionLNN'leri Geleneksel Ağlardan Ayırmak#

Hem LNN'ler hem de standart RNN'ler sıralı verileri işlese de, zaman kavramını farklı şekilde ele alırlar. Standart RNN'ler ve Uzun Kısa Süreli Bellek (LSTM) ağları kesikli zaman adımlarında çalışır; yani verileri kare kare veya adım adım işlerler. Ancak LNN'ler, fiziksel olayları modelleyen diferansiyel denklemlere benzer şekilde girdileri sürekli olarak işlerler. Bu sürekli zamanlı dinamik, LNN'lerin sabit örnekleme oranlarına güvenmeden, düzensiz örneklenmiş verileri sorunsuz bir şekilde işlemesine olanak tanır. Ayrıca, geleneksel modeller eğitim sonrası öğrendikleri parametreleri dondururken, LNN'lerdeki gizli durumlar dinamik olarak uyarlanır ve modelin gerçek zamanlı çıkarım sırasında yeni, görülmemiş anomalilere karşı duyarlı kalmasını sağlar.

Link to this sectionLNN'lerin Gerçek Dünya Uygulamaları#

Dayanıklılıkları, yorumlanabilirlikleri ve düşük parametre sayıları nedeniyle LNN'ler, öncelikle sürekli veri akışları ve değişen ortamlar içeren uygulamalarda kullanılır. Öne çıkan iki örnek şunlardır:

• Otonom Araçlar ve Dronlar: LNN'ler, otonom dronları öngörülemeyen ortamlarda kontrol etmede dikkate değer bir başarı göstermiştir. Karar verme süreçlerini sürekli duyusal geri bildirime göre uyarlama yetenekleri, dronların değişen rüzgar koşullarında veya dinamik engellerde, statik olarak eğitilmiş modellerden çok daha iyi gezinmelerini sağlar. Düşük hesaplama ayak izleri, onları doğrudan dron üzerinde veri işleyen, sınırlı güce sahip uç AI cihazları için de ideal kılar.
• Tıbbi Zaman Serisi Analizi: Sağlık teşhislerinde, LNN'ler EKG veya EEG okumaları gibi hasta hayati bulgularını sürekli olarak izlemek için kullanılır. Tıbbi veriler genellikle düzensiz örneklendiğinden, LNN'lerin sürekli zamanlı doğası, bir hastanın durumundaki ani değişimleri tespit etmek için son derece faydalıdır ve aritmi veya nöbet gibi durumlar için gerçek zamanlı tahminleyici modelleme sağlar.

Link to this sectionEkosistemde LNN'ler#

LNN'ler zamansal, sıralı karar verme konusunda uzmanlaşmış olsalar da, kapsamlı algılama-eylem sistemleri için mekansal bilgisayarlı görü modelleriyle etkili bir şekilde eşleştirilebilirler. Örneğin, Ultralytics YOLO26, gerçek zamanlı nesne tespiti için video karelerini işlemek ve sınırlayıcı kutu koordinatlarını ve sınıflandırma verilerini aşağı akışlı bir Sıvı Sinir Ağına beslemek için kullanılabilir. LNN daha sonra, bir AI ajanının navigasyonunu veya robotik kontrol mekanizmalarını yönlendirmek için bu sürekli koordinat akışlarını zaman içinde yorumlayacaktır.

Verimli, gerçek zamanlı AI boru hatları oluşturmayı keşfetmek için, modellerinin hafif ve uç dağıtımına hazır olduğundan emin olarak Ultralytics Platformunu kullanarak vizyon modellerini eğitmeye ve dağıtmaya başlayabilirsin.

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 LNN'lere yönelik devam eden araştırmalar, karmaşık ve dinamik gerçek dünyada dağıtıldıklarında Yapay Zeka (AI) sistemlerinin ne kadar uyarlanabilir, verimli ve yorumlanabilir olabileceğinin sınırlarını zorlamaya devam ediyor.