Liquid Neural Networks (LNNs)

Mạng neuron lỏng (LNNs) là một phân lớp rất linh hoạt và có tính động cao của các mạng neuron hồi quy (RNNs) thời gian liên tục, lấy cảm hứng từ cấu trúc hệ thần kinh của các sinh vật đơn giản như giun C. elegans. Không giống các model deep learning truyền thống, trong đó các trọng số (hoặc tham số) được cố định sau khi training, LNNs có thể liên tục thích ứng các tham số theo thời gian thực khi xử lý các luồng input mới. Khả năng thích ứng này, thường được gọi là hành vi “lỏng”, cho phép network 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 LNNs là hiệu quả về tham số. Trong khi các model lớn như Transformer hoặc mô hình ngôn ngữ lớn (LLMs) yêu cầu hàng tỷ tham số và tài nguyên tính toán khổng lồ để thực hiện các tác vụ phức tạp, LNNs thường có thể đạt hiệu năng tương đương hoặc vượt trội trong các tác vụ tuần tự cụ thể chỉ với vài chục đến vài trăm neuron. Nghiên cứu từ các tổ chức như Phòng thí nghiệm Khoa học Máy tính và Trí tuệ Nhân tạo của MIT (CSAIL) đã chứng minh rằng các network nhỏ gọn này mang lại khả năng diễn giải và hiệu quả cao, đồng thời giảm overhead tính toán cần thiết cho cả training và deployment.

Phân biệt LNNs với các Network truyền thống#

Mặc dù cả LNNs và RNNs tiêu chuẩn đều xử lý dữ liệu tuần tự, chúng xử lý khái niệm thời gian theo những cách khác nhau. RNNs tiêu chuẩn và các network bộ nhớ dài-ngắn hạn (LSTM) hoạt động theo các bước thời gian rời rạc, nghĩa là chúng xử lý dữ liệu theo từng frame hoặc từng bước. Tuy nhiên, LNNs xử lý input liên tục, tương tự các phương trình vi phân dùng để mô hình hóa các hiện tượng vật lý. Động lực học thời gian liên tục này cho phép LNNs xử lý linh hoạt dữ liệu được lấy mẫu không đều mà không phụ thuộc vào tốc độ lấy mẫu cố định. Ngoài ra, trong khi các model truyền thống đóng băng các tham số đã học sau training, các trạng thái ẩn trong LNNs thích ứng động, đảm bảo model vẫn phản hồi nhanh với các bất thường mới, chưa từng gặp trong quá trình inference theo thời gian thực.

Các ứng dụng thực tế của LNNs#

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

• Phương tiện tự hành và drone: LNNs đã cho thấy hiệu quả đáng kể trong việc điều khiển drone tự hành ở các môi trường khó dự đoán. Khả năng thích ứng 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 tránh các chướng ngại vật động tốt hơn nhiều so với các model được training tĩnh. Dấu chân 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 drone.
• Phân tích chuỗi thời gian y tế: Trong chẩn đoán y tế, LNNs được sử dụng để liên tục theo dõi 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 đặc biệt hữu ích trong việc phát hiện những thay đổi đột ngột trong tình trạng bệnh nhân, cung cấp mô hình dự đoán cho các tình trạng như rối loạn nhịp tim hoặc co giật theo thời gian thực.

LNNs trong hệ sinh thái#

Mặc dù LNNs chuyên về ra quyết định theo thời gian và tuần tự, chúng có thể được kết hợp hiệu quả với các model thị giác máy tính không gian để xây dựng các hệ thống nhận thức-hành động toàn diện. Chẳng hạn, Ultralytics YOLO26 có thể được sử dụng để xử lý các frame video nhằm phát hiện đối tượng theo thời gian thực, đưa tọa độ bounding box và dữ liệu phân loại vào một Mạng neuron lỏng ở downstream. Sau đó, LNN sẽ diễn giải các luồng tọa độ liên tục này theo thời gian để điều khiển cơ chế điều hướng hoặc kiểm soát robot của một agent AI.

Để tìm hiểu cách xây dựng các pipeline AI hiệu quả theo thời gian thực, bạn có thể bắt đầu bằng cách training và deployment các model thị giác sử dụng Ultralytics Platform, đảm bảo các model của bạn nhẹ và sẵn sàng deployment 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 được tiến hành về LNNs, với sự dẫn dắt của các nhóm như Liquid AI, tiếp tục mở rộng giới hạn về mức độ thích ứng, hiệu quả và khả năng diễn giải của các hệ thống Trí tuệ Nhân tạo (AI) khi được triển khai trong thế giới thực phức tạp và năng động.