Quando você compra por meio de links afiliados em nosso site, podemos ganhar uma comissão 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 dinâmica de neurônios. 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 neurônios, os mesmos são capazes de processar dados de séries temporais enquanto fazem previsões com base em observações 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 Computação e Inteligência Artificial do MIT (CSAIL – do Inglês, Computer Science and Artificial Intelligence Laboratory), que tentou criar uma solução 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 neurônios em seu sistema nervoso, mas ainda assim consegue responder dinamicamente ao seu ambiente.
Redes neurais líquidas vs. redes neurais
Uma das principais diferenças entre as LNNs e as redes neurais é que as primeiras usam conexões dinâmicas entre os neurônios, enquanto as redes neurais tradicionais têm conexões e pesos fixos entre cada neurônio.
Essas conexões 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 não conseguem, pois dependem dos dados de treinamento.
Isso faz com que as LNNs sejam melhores no processamento de dados de séries temporais, mas também são menos eficazes no processamento de dados estáticos ou fixos do que outras redes neurais.
É importante observar que a arquitetura dinâmica das redes neurais líquidas também requer menos neurônios em geral do que uma rede neural e consome menos energia de computação em geral.
Suas baixas necessidades computacionais significam que elas podem ser usadas para execução em computadores e hardwares leves, como microcontroladores.
As LNNs são mais fáceis de interpretar do que as redes neurais de caixa preta mais complexas porque é mais fácil ver como as entradas de dados estão influenciando as saídas.
Para que são usadas as redes neurais líquidas?
Conforme mencionado acima, as LNNs são geralmente usadas para o processamento e a previsão de dados de séries temporais em computadores menores.
As necessidades computacionais mais baixas dessas soluções significam que elas podem ser executadas em dispositivos com potência computacional mínima, desde robôs 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 autônoma, 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 Computação do MIT, Andrew e Erna Viterbi:
“Nossos experimentos demonstram que podemos ensinar efetivamente um drone a localizar um objeto em uma floresta durante o verão 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 soluções tradicionais de aprendizagem profunda teriam sido pouco adequadas para esse uso devido à sua falta de capacidade de adaptação às condições variáveis, principalmente quando se considera que um drone precisava atravessar um ambiente do mundo real e evitar obstáculos.
“Essa adaptabilidade é possível graças aos fundamentos causais de nossas soluções. Esses algoritmos flexíveis poderão um dia ajudar na tomada de decisões com base em fluxos de dados que mudam ao longo do tempo, como no diagnóstico médico e em aplicações de direção autônoma.”
Redes neurais líquidas e veículos autônomos
Outro teste realizado pelo MIT examinou como as redes neurais líquidas poderiam ser usadas para ajudar na navegação de veículos autônomos.
Nesse teste, os pesquisadores equiparam um carro com uma câmera e unidades de computação e, em seguida, fizeram com que participantes humanos dirigissem o carro.
As câmeras de bordo registraram o ângulo 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 ângulo mostrado na imagem.
A rede então usou essas entradas da câmera para dirigir o veículo de forma autônoma.
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 autônomo.
Benefícios das LNNs
As redes neurais líquidas oferecem uma série de benefícios essenciais. Alguns deles são:
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 são uma inovação 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 autônomos.
