Mạng nơ-ron lỏng (LNN)

Mạng nơ-ron lỏng (Liquid Neural Networks - LNN) là một phân lớp rất năng động và linh hoạt của mạng nơ-ron hồi quy liên tục (Recurrent Neural Networks - RNN), 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 các trọng số (hoặc tham số) được cố định sau khi huấn luyện, LNN có thể liên tục điều chỉnh các tham số của chúng trong thời gian thực khi xử lý các luồng đầu vào mới. Khả năng thích ứng này, thường được gọi là hành vi "lỏng", cho phép mạng duy trì tính mạnh mẽ 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 động.

Một ưu điểm cốt lõi của mạng nơ-ron lớp (LNN) là hiệu quả về tham số. Trong khi các mô hình lớn như Transformer hay Mô hình Ngôn ngữ Lớn (LLM) yêu cầu hàng tỷ tham số và tài nguyên tính toán khổng lồ để thực hiện các tác vụ phức tạp, LNN 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 giải thích và hiệu quả cao, giảm chi phí tính toán cần thiết cho cả quá trình huấn luyện và triển khai.

Phân biệt mạng nơ-ron tuyến tính (LNN) với mạng nơ-ron truyền thống

Mặc dù cả mạng nơ-ron ẩn (LNN) và mạng nơ-ron hồi quy (RNN) tiêu chuẩn đều xử lý dữ liệu tuần tự, nhưng chúng xử lý khái niệm thời gian theo cách khác nhau. Mạng RNN tiêu chuẩn và mạng bộ nhớ dài hạn ngắn hạn (LSTM) hoạt động theo các bước thời gian rời rạc, nghĩa là chúng xử lý dữ liệu từng khung hình hoặc từng bước một. Tuy nhiên, mạng LNN xử lý đầu vào liên tục, tương tự như các phương trình vi phân mô hình hóa các hiện tượng vật lý. Tính động liên tục theo thời gian này cho phép mạng LNN xử lý dữ liệu được lấy mẫu không đều một cách linh hoạt, 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 mạng LNN thích ứng động, đảm bảo mô hình vẫn phản ứng nhanh nhạy với các bất thường mới, chưa từng thấy trong quá trình suy luận thời gian thực.

Ứng dụng thực tiễn của mạng nơ-ron lớp (LNN)

Nhờ khả năng phục hồi, tính dễ hiểu và số lượng tham số thấp, mạng nơ-ron tuyến tính (LNN) chủ yếu được sử dụng trong các ứng dụng liên quan đến luồng dữ liệu liên tục và môi trường thay đổi. Hai ví dụ đáng chú ý bao gồm:

• Xe tự hành và máy bay không người lái: Mạng nơ-ron lớp (LNN) đã chứng tỏ sự thành công đáng kể trong việc điều khiển máy bay không người lái tự hành trong môi trường khó dự đoán. Khả năng thích ứng các quy trình ra quyết định dựa trên phản hồi cảm biến liên tục cho phép máy bay không người lái điều hướng trong điều kiện gió thay đổi hoặc vượt qua các chướng ngại vật động tốt hơn nhiều so với các mô hình được huấn luyện tĩnh. Mức tiêu hao tài nguyên tính toán thấp cũng khiến chúng trở nên lý tưởng cho các thiết bị AI biên có công suất hạn chế, xử lý dữ liệu trực tiếp trên máy bay không người lái.
• Phân tích chuỗi thời gian y tế: Trong chẩn đoán y tế , mạng nơ-ron lớp (LNN) được sử dụng để liên tục theo dõi các chỉ số sinh học của bệnh nhân, chẳng hạn như kết quả điện tâm đồ (ECG) hoặc điện não đồ (EEG). Vì dữ liệu y tế thường được lấy mẫu không đều, tính chất liên tục theo thời gian của LNN rất có lợi trong việc phát hiện những thay đổi đột ngột về 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.

LNN trong hệ sinh thái

Mặc dù mạng nơ-ron Ultralytics LNN) 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 không gian để tạo ra 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 nhằm phát hiện đối tượng theo thời gian thực, cung cấp tọa độ hộp giới hạn và dữ liệu phân loại cho mạng nơ-ron lỏng tiếp theo. Sau đó, LNN sẽ diễn giải các luồng tọa độ liên tục này theo thời gian để điều khiển cơ chế điều hướng hoặc điều khiển robot của tác nhân AI .

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

Các nghiên cứu đang diễn ra về mạng nơ-ron tuyến tính (LNN), do các nhóm như Liquid AI dẫn đầu, tiếp tục thúc đẩy giới hạn về khả năng thích ứng, hiệu quả và khả năng giải thích của các hệ thống Trí tuệ Nhân tạo (AI) khi được triển khai trong thế giới thực phức tạp và năng động.