Red Neuronal Líquida (LNN)

¿Qué es una red neuronal líquida?

Una red neuronal líquida (LNN) es una red neuronal recurrente continua en el tiempo construida con una arquitectura dinámica de neuronas. Estas neuronas son capaces de procesar series temporales de datos al tiempo que realizan predicciones basadas en observaciones y se adaptan continuamente a nuevas entradas.

Su naturaleza adaptable les permite aprender y adaptarse continuamente y, en última instancia, procesar datos de series temporales con más eficacia que las redes neuronales tradicionales.

Las LNN fueron desarrolladas originalmente por el Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT (CSAIL), que intentó crear una solución de machine learning (ML) capaz de aprender sobre la marcha y adaptarse a nuevas entradas.

El concepto se inspiró en el nematodo microscópico C.elegans, un gusano que sólo tiene 302 neuronas en su sistema nervioso, pero que aun así consigue responder dinámicamente a su entorno.

Redes neuronales líquidas frente a redes neuronales

Una de las principales diferencias entre las LNN y las redes neuronales es que las primeras utilizan conexiones dinámicas entre neuronas, mientras que las redes neuronales tradicionales tienen conexiones y pesos fijos entre cada neurona.

Gracias a estas conexiones flexibles, las redes neuronales líquidas pueden adaptarse continuamente a nuevas entradas de datos y aprender de ellas de una forma que las redes neuronales tradicionales no pueden, ya que dependen de sus datos de entrenamiento. Esto hace que las redes neuronales líquidas sean mejores procesando datos de series temporales, pero también son menos eficaces procesando datos estáticos o fijos que otras redes neuronales.

Es importante señalar que la arquitectura dinámica de las redes neuronales líquidas también requiere menos neuronas en total que una red neuronal y consume menos potencia de cálculo en general. Sus bajas necesidades computacionales hacen que puedan funcionar en ordenadores y hardware ligeros, como los microcontroladores.

Las redes neuronales líquidas son más interpretables que las redes neuronales de caja negra, más complejas, porque es más fácil ver cómo las entradas de datos influyen en las salidas.

¿Para qué se utilizan las redes neuronales líquidas?

Como ya se ha mencionado, las redes neuronales líquidas se utilizan generalmente para el procesamiento de datos de series temporales y la predicción en ordenadores pequeños. Las menores necesidades computacionales de estas soluciones significan que pueden funcionar en dispositivos con una potencia informática mínima, desde robots hasta dispositivos en el borde de la red.

Esto las hace ideales para una amplia gama de casos de uso que van desde el procesamiento del lenguaje natural (NPL) y el procesamiento de vídeo hasta la robótica autónoma, los vehículos, los drones y el diagnóstico médico.

Redes neuronales líquidas y drones automatizados

En abril de 2023, investigadores del MIT dieron a conocer una investigación que demostraba cómo las redes neuronales líquidas podrían utilizarse para ayudar a enseñar a drones aéreos a navegar hacia un objeto determinado y a responder correctamente en entornos complejos como bosques y paisajes urbanos.

Como explicó Daniela Rus, directora del CSAIL y catedrática Andrew y Erna Viterbi de Ingeniería Eléctrica e Informática en el MIT:

“Nuestros experimentos demuestran que podemos enseñar eficazmente a un dron a localizar un objeto en un bosque durante el verano y luego desplegar el modelo en invierno, con entornos enormemente diferentes, o incluso en entornos urbanos, con tareas variadas como buscar y seguir.”

Las soluciones tradicionales de aprendizaje profundo habrían sido poco adecuadas para este uso debido a su falta de capacidad para adaptarse a las condiciones cambiantes, especialmente si se tiene en cuenta que un dron necesitaba atravesar un entorno del mundo real mientras evitaba obstáculos.

“Esta adaptabilidad es posible gracias a los fundamentos causales de nuestras soluciones. Estos algoritmos flexibles podrían ayudar algún día en la toma de decisiones basadas en flujos de datos que cambian con el tiempo, como el diagnóstico médico y las aplicaciones de conducción autónoma.”

Redes neuronales líquidas y vehículos autónomos

Otra prueba realizada por el MIT examinó cómo podrían utilizarse las redes neuronales líquidas para ayudar a los vehículos autónomos a navegar. En esta prueba, los investigadores equiparon un coche con una cámara y unidades informáticas y, a continuación, consiguieron que participantes humanos condujeran el coche.

Las cámaras de abordo grabaron el ángulo con el que los humanos sujetaban el volante y lo transmitieron a una plataforma de entrenamiento, que enseñó a la red neuronal líquida a asignar el volante al ángulo mostrado en la imagen. A continuación, la red utilizó los datos de la cámara para dirigir el vehículo de forma autónoma.

A un alto nivel, este ejercicio demostró cómo pueden utilizarse las redes neuronales líquidas para diseñar controladores neuronales que ayuden a impulsar un sistema de control de vehículos autónomos.

Ventajas de las redes neuronales líquidas

Las redes neuronales líquidas ofrecen una serie de ventajas fundamentales. Algunas de ellas son:

  • Capacidad para tomar decisiones en tiempo real;
  • Capacidad para procesar datos de series temporales;
  • Respuesta rápida a una amplia gama de distribuciones de datos;
  • Resistencia y capacidad para filtrar datos anómalos o ruidosos;
  • Más interpretabilidad que un algoritmo de aprendizaje automático de caja negra;
  • Costes computacionales reducidos.

Desafíos de las LNN

Aunque las redes neuronales líquidas son muy útiles, no están exentas de una serie de retos únicos. Entre ellos están:

  • Lucha con el procesamiento de datos estáticos o fijos
  • Dificultades de entrenamiento debido a gradientes elevados o evanescentes;
  • Limitaciones en el aprendizaje de dependencias a largo plazo debido a problemas de gradiente;
  • Falta de investigación exhaustiva sobre el funcionamiento de las redes neuronales líquidas;
  • El largo proceso de ajuste de parámetros;
  • Desafíos en el procesamiento de datos estáticos o fijos.

Conclusión

Las redes neuronales líquidas son una innovación importante por su capacidad para ayudar a procesar datos de series temporales y abren la puerta a interesantes casos de uso en el pilotaje de drones y vehículos autónomos.

Temas relacionados

Tim Keary

Desde enero de 2017, Tim Keary ha sido un escritor y reportero de tecnología independiente que cubre tecnología empresarial y ciberseguridad.