Quando você compra por meio de links afiliados em nosso site, podemos ganhar uma comiss?o sem nenhum custo adicional para você. Saiba Uma rede neural líquida (LNN – do Inglês, Liquid Neural Network) é uma rede neural recorrente de tempo contínuo construída com uma arquitetura dinamica de neur?nios. Dessa forma, saiba o que é e como funciona uma Rede Neural Líquida no artigo a seguir.
O que é Rede Neural Líquida?
Dentro dessa rede de neur?nios, os mesmos s?o capazes de processar dados de séries temporais enquanto fazem previs?es com base em observa??es e se adaptam continuamente a novas entradas.
Sua natureza adaptável lhes dá a capacidade de aprender e se adaptar continuamente e, por fim, processar dados de séries temporais com mais eficiência do que as redes neurais tradicionais.
As LNNs foram originalmente desenvolvidas pelo Laboratório de Ciência da Computa??o e Inteligência Artificial do MIT (CSAIL – do Inglês, Computer Science and Artificial Intelligence Laboratory), que tentou criar uma solu??o de aprendizado de máquina (ML – do Inglês, Machine Learning) capaz de aprender no trabalho e se adaptar a novas entradas.
O conceito foi inspirado no nematoide microscópico C.elegans, um verme que tem apenas 302 neur?nios em seu sistema nervoso, mas ainda assim consegue responder dinamicamente ao seu ambiente.
Redes neurais líquidas vs. redes neurais
Uma das principais diferen?as entre as LNNs e as redes neurais é que as primeiras usam conex?es dinamicas entre os neur?nios, enquanto as redes neurais tradicionais têm conex?es e pesos fixos entre cada neur?nio.
Essas conex?es flexíveis significam que as redes neurais líquidas podem se adaptar continuamente e aprender com novas entradas de dados de uma forma que as redes neurais tradicionais n?o conseguem, pois dependem dos dados de treinamento.
Isso faz com que as LNNs sejam melhores no processamento de dados de séries temporais, mas também s?o menos eficazes no processamento de dados estáticos ou fixos do que outras redes neurais.
é importante observar que a arquitetura dinamica das redes neurais líquidas também requer menos neur?nios em geral do que uma rede neural e consome menos energia de computa??o em geral.
Suas baixas necessidades computacionais significam que elas podem ser usadas para execu??o em computadores e hardwares leves, como microcontroladores.
As LNNs s?o mais fáceis de interpretar do que as redes neurais de caixa preta mais complexas porque é mais fácil ver como as entradas de dados est?o influenciando as saídas.
Para que s?o usadas as redes neurais líquidas?
Conforme mencionado acima, as LNNs s?o geralmente usadas para o processamento e a previs?o de dados de séries temporais em computadores menores.
As necessidades computacionais mais baixas dessas solu??es significam que elas podem ser executadas em dispositivos com potência computacional mínima, desde rob?s até dispositivos na ponta da rede.
Isso as torna ideais para uma ampla variedade de casos de uso, desde o processamento de linguagem natural (NPL) e processamento de vídeo até robótica aut?noma, veículos, drones e diagnóstico médico.
LNNs e drones automatizados
Em abril de 2023, pesquisadores do MIT divulgaram uma pesquisa demonstrando como as redes neurais líquidas poderiam ser usadas para ajudar a ensinar drones aéreos a navegar até um determinado objeto e a responder corretamente em ambientes complexos, como florestas e paisagens urbanas.
Como explicou Daniela Rus, diretora do CSAIL e professora de Engenharia Elétrica e Ciência da Computa??o do MIT, Andrew e Erna Viterbi:
“Nossos experimentos demonstram que podemos ensinar efetivamente um drone a localizar um objeto em uma floresta durante o ver?o e, em seguida, implantar o modelo no inverno, com um ambiente muito diferente, ou mesmo em ambientes urbanos, com tarefas variadas, como buscar e seguir.”
As solu??es tradicionais de aprendizagem profunda teriam sido pouco adequadas para esse uso devido à sua falta de capacidade de adapta??o às condi??es variáveis, principalmente quando se considera que um drone precisava atravessar um ambiente do mundo real e evitar obstáculos.
“Essa adaptabilidade é possível gra?as aos fundamentos causais de nossas solu??es. Esses algoritmos flexíveis poder?o um dia ajudar na tomada de decis?es com base em fluxos de dados que mudam ao longo do tempo, como no diagnóstico médico e em aplica??es de dire??o aut?noma.”
Redes neurais líquidas e veículos aut?nomos
Outro teste realizado pelo MIT examinou como as redes neurais líquidas poderiam ser usadas para ajudar na navega??o de veículos aut?nomos.
Nesse teste, os pesquisadores equiparam um carro com uma camera e unidades de computa??o e, em seguida, fizeram com que participantes humanos dirigissem o carro.
As cameras de bordo registraram o angulo em que os humanos seguraram o volante e as transmitiram a uma plataforma de treinamento, que ensinou a rede neural líquida a mapear o volante para o angulo mostrado na imagem.
A rede ent?o usou essas entradas da camera para dirigir o veículo de forma aut?noma.
Em um nível elevado, esse exercício demonstrou como as redes neurais líquidas podem ser usadas para projetar controladores neurais para ajudar a alimentar um sistema de controle de veículo aut?nomo.
Benefícios das LNNs
As redes neurais líquidas oferecem uma série de benefícios essenciais. Alguns deles s?o:
Desafios das LNNs
Embora as redes neurais líquidas sejam muito úteis, elas têm seu próprio conjunto de desafios exclusivos. Esses desafios incluem:
Resultado final
As redes neurais líquidas s?o uma inova??o importante devido à sua capacidade de ajudar a processar dados de séries temporais e abrir a porta para alguns casos de uso interessantes na pilotagem de drones e veículos aut?nomos.
