Liquid Neural Networks (LNNs)

Mạng thần kinh lỏng (LNNs) là một phân lớp vô cùng năng động và linh hoạt của các Mạng thần kinh tái phát (RNN) thời gian liên tục, được lấy cảm hứng từ cấu trúc hệ thần kinh của các sinh vật đơn giản như giun C. elegans. Không giống như các mô hình học sâu truyền thống nơi trọng số (hoặc tham số) được cố định sau khi huấn luyện, LNNs có thể liên tục điều chỉnh các tham số của chúng theo thời gian thực khi xử lý các luồng dữ liệu đầu vào mới. Khả năng thích ứng này, thường được gọi là hành vi "lỏng", cho phép mạng duy trì sự ổn định và điều chỉnh theo các điều kiện thay đổi ngay lập tức, khiến chúng đặc biệt phù hợp để xử lý dữ liệu chuỗi thời gian và điều khiển các hệ thống năng động.

Một ưu điểm cốt lõi của LNNs là hiệu quả về tham số. Trong khi các mô hình lớn như Transformer hoặc Mô hình ngôn ngữ lớn (LLM) đòi hỏi hàng tỷ tham số và tài nguyên tính toán khổng lồ để thực hiện các tác vụ phức tạp, LNNs thường có thể đạt được hiệu suất tương đương hoặc vượt trội trong các tác vụ tuần tự cụ thể chỉ với vài chục đến vài trăm nơ-ron. Nghiên cứu từ các tổ chức như Phòng thí nghiệm Khoa học máy tính và Trí tuệ nhân tạo (CSAIL) của MIT đã chứng minh rằng các mạng nhỏ gọn này cung cấp khả năng diễn giải và hiệu suất cao, giúp giảm chi phí tính toán cần thiết cho cả việc huấn luyện và triển khai.

Link to this sectionPhân biệt LNNs với các mạng truyền thống#

Mặc dù cả LNNs và RNN tiêu chuẩn đều xử lý dữ liệu tuần tự, chúng xử lý khái niệm thời gian theo những cách khác nhau. RNN tiêu chuẩn và các mạng Bộ nhớ dài-ngắn (LSTM) hoạt động theo các bước thời gian rời rạc, nghĩa là chúng xử lý dữ liệu theo từng khung hình hoặc từng bước. Tuy nhiên, LNNs xử lý các đầu vào một cách liên tục, tương tự như các phương trình vi phân mô hình hóa các hiện tượng vật lý. Động lực thời gian liên tục này cho phép LNNs xử lý dữ liệu được lấy mẫu không đều một cách trơn tru mà không cần dựa vào tốc độ lấy mẫu cố định. Hơn nữa, trong khi các mô hình truyền thống đóng băng các tham số đã học sau khi huấn luyện, các trạng thái ẩn trong LNNs thích ứng một cách năng động, đảm bảo mô hình vẫn phản ứng tốt với các bất thường mới, chưa từng thấy trong quá trình suy luận thời gian thực.

Link to this sectionCác ứng dụng thực tế của LNNs#

Do khả năng phục hồi, tính dễ diễn giải và số lượng tham số thấp, LNNs chủ yếu được sử dụng trong các ứng dụng liên quan đến các luồng dữ liệu liên tục và môi trường thay đổi. Hai ví dụ đáng chú ý bao gồm:

• Xe tự lái và Drone: LNNs đã cho thấy thành công đáng kể trong việc điều khiển drone tự hành trong các môi trường khó dự đoán. Khả năng điều chỉnh quy trình ra quyết định dựa trên phản hồi cảm biến liên tục cho phép drone điều hướng trong điều kiện gió thay đổi hoặc các chướng ngại vật động tốt hơn nhiều so với các mô hình được huấn luyện tĩnh. Dấu ấn tính toán thấp của chúng cũng khiến chúng trở nên lý tưởng cho các thiết bị Edge AI với năng lượng hạn chế, xử lý dữ liệu trực tiếp trên drone.
• Phân tích chuỗi thời gian y tế: Trong chẩn đoán y tế, LNNs được sử dụng để theo dõi liên tục các chỉ số sinh tồn của bệnh nhân, chẳng hạn như kết quả ECG hoặc EEG. Vì dữ liệu y tế thường được lấy mẫu không đều, bản chất thời gian liên tục của LNNs rất có lợi cho việc phát hiện các thay đổi đột ngột trong tình trạng của bệnh nhân, cung cấp mô hình dự đoán cho các tình trạng như rối loạn nhịp tim hoặc co giật trong thời gian thực.

Link to this sectionLNNs trong hệ sinh thái#

Trong khi LNNs chuyên về ra quyết định theo trình tự thời gian, chúng có thể được kết hợp hiệu quả với các mô hình thị giác máy tính (CV) không gian cho các hệ thống nhận thức-hành động toàn diện. Ví dụ, Ultralytics YOLO26 có thể được sử dụng để xử lý các khung hình video cho phát hiện đối tượng thời gian thực, truyền tọa độ BBox và dữ liệu phân loại vào Mạng thần kinh lỏng ở hạ nguồn. Sau đó, LNN sẽ diễn giải các luồng tọa độ liên tục này theo thời gian để điều khiển các cơ chế điều hướng hoặc điều khiển robot của tác nhân AI.

Để khám phá việc xây dựng các pipeline AI thời gian thực, hiệu quả, bạn có thể bắt đầu bằng việc huấn luyện và triển khai các mô hình thị giác sử dụng Nền tảng Ultralytics, đảm bảo các mô hình của bạn gọn nhẹ và sẵn sàng cho việc triển khai ở biên.

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)

Nghiên cứu đang diễn ra về LNNs, được dẫn dắt bởi các nhóm như Liquid AI, tiếp tục đẩy mạnh các giới hạn về mức độ thích ứng, hiệu quả và khả năng diễn giải mà các hệ thống Trí tuệ nhân tạo (AI) có thể đạt được khi được triển khai trong thế giới thực phức tạp và năng động.