Πώς τα Liquid Neural Networks Συρρικνώνουν την Τεχνητή Νοημοσύνη

Τα υγρά νευρωνικά δίκτυα (Liquid Neural Networks) είναι από τα πιο σημαντικά και μοναδικά αναδυόμενα στοιχεία στο τοπίο της τεχνητής νοημοσύνης (AI).

Όταν ένα μηχάνημα ή ένα ρομπότ χρειάζεται να αντιδράσει σε εξωτερικό ερέθισμα ή δεδομένα, μπορεί να είναι εξαιρετικά βαρύ σε πόρους, προκαλώντας συμφόρηση εάν προσπαθείτε να χωρέσετε τη νοημοσύνη σε έναν πολύ μικρό χώρο.

Το VentureBeat περιγράφει πώς ένα κλασικό νευρωνικό δίκτυο μπορεί να χρειαστεί 100.000 τεχνητούς νευρώνες για να κρατήσει ένα αυτοκίνητο σταθερό σε μια εργασία όπως η οδήγηση σε έναν δρόμο.

Ωστόσο, σε ένα απίστευτο εύρημα, η ομάδα του MIT CSAIL που αναπτύσσει υγρά νευρωνικά δίκτυα μπόρεσε να εκτελέσει την ίδια εργασία με μόλις 19 νευρώνες.

Η Έμπνευση πίσω από τα
Liquid Neural Networks

Τα υγρά νευρωνικά δίκτυα είναι ένας τύπος αρχιτεκτονικής βαθιάς μάθησης που αναπτύχθηκε για να λύσει μια πρόκληση για ρομπότ που εκτελούν περίπλοκη μάθηση και εργασίες, με στόχο να περιορίσουν το πρόβλημα της εξάρτησης από το cloud ή τον περιορισμένο εσωτερικό χώρο αποθήκευσης.

Η Daniela Rus, διευθύντρια του MIT CSAIL, δήλωσε στο VentureBeat: «Η έμπνευση για τα υγρά νευρωνικά δίκτυα ήταν να σκεφτούμε τις υπάρχουσες προσεγγίσεις στη μηχανική μάθηση και να σκεφτούμε πώς ταιριάζουν με το είδος των κρίσιμων για την ασφάλεια συστημάτων που προσφέρουν τα ρομπότ και οι συσκευές edge.

“Σε ένα ρομπότ, δεν μπορείτε πραγματικά να εκτελέσετε ένα μεγάλο μοντέλο γλώσσας, επειδή δεν υπάρχει πραγματικά ο υπολογιστικός [ισχύς] και ο [αποθηκευτικός] χώρος για αυτό.”

Η ερευνητική ομάδα βρήκε μια λύση για το πρόβλημά της από την έρευνα σε βιολογικούς νευρώνες που βρέθηκαν σε μικροσκοπικούς οργανισμούς.

Τι είναι τα Liquid Neural Networks?

Σκεφτείτε τα υγρά νευρωνικά δίκτυα ως τα διασυνδεδεμένα κύτταρα ενός ανθρώπινου εγκεφάλου που ενώνονται για να επεξεργαστούν πληροφορίες και να παρέχουν έξοδο.

Ο ανθρώπινος εγκέφαλος είναι μια εξαιρετικά πολύπλοκη κυτταρική διάταξη που εκτελεί εξαιρετικά πολύπλοκους υπολογισμούς.

Τα υγρά νευρωνικά δίκτυα (Liquid Neural Networks) επικεντρώνονται σε εφαρμογές κρίσιμες για την ασφάλεια, όπως τα αυτοκινούμενα οχήματα και τα ρομπότ, που χρειάζονται μια συνεχή ροή δεδομένων να τροφοδοτείται σε αυτά.

Σύμφωνα με την Daniela Rus, «Γενικά, τα υγρά δίκτυα πάνε καλά όταν έχουμε δεδομένα χρονοσειρών…χρειάζεστε μια ακολουθία για να λειτουργούν καλά τα δίκτυα υγρών.

“Ωστόσο, εάν προσπαθήσετε να εφαρμόσετε τη λύση υγρού δικτύου σε κάποια στατική βάση δεδομένων όπως το ImageNet, αυτό δεν θα λειτουργήσει τόσο καλά.”

Πλεονεκτήματα και Περιορισμοί

Η ερευνητική ομάδα στο Εργαστήριο Επιστήμης Υπολογιστών και Τεχνητής Νοημοσύνης στο MIT (Computer Science and Artificial Intelligence Laboratory – CSAIL) βρήκε τα ακόλουθα πλεονεκτήματα με βάση την εμπειρία της.

• Συμπάγεια

Τα υγρά νευρωνικά δίκτυα θα μπορούσαν να λειτουργήσουν με σημαντικά μικρότερο αριθμό νευρώνων από τα κλασικά νευρωνικά δίκτυα.

Όπως περιγράφηκε παραπάνω, ένα κλασικό νευρωνικό δίκτυο βαθιάς μάθησης θα χρειαζόταν 100.000 νευρώνες για να κρατήσει ένα αυτοοδηγούμενο αυτοκίνητο στη λωρίδα του – ενώ ένα υγρό νευρωνικό δίκτυο χρειάζεται μόλις 19 νευρώνες.

• Αιτιότητα

Τα υγρά νευρωνικά δίκτυα (Liquid Neural Networks) χειρίζονται καλύτερα την αιτιότητα από ότι τα κλασικά νευρωνικά δίκτυα βαθιάς μάθησης. Μπορούν να εντοπίσουν μια σαφή σχέση μεταξύ της αιτίας και των αποτελεσμάτων, κάτι που δυσκολεύονται να κάνουν τα κλασικά νευρωνικά δίκτυα βαθιάς μάθησης.

Για παράδειγμα, τα κλασικά νευρωνικά δίκτυα βαθιάς μάθησης μπορούν να προσδιορίζουν με συνέπεια σχέσεις αιτίας-αποτελέσματος μεταξύ γεγονότων σε διάφορες ρυθμίσεις πιο αποτελεσματικά από το κλασικό νευρωνικό δίκτυο.

• Ερμηνευσιμότητα

Η κατανόηση της ερμηνείας των δεδομένων ενός συστήματος τεχνητής νοημοσύνης είναι μία από τις μεγαλύτερες προκλήσεις στην τεχνητή νοημοσύνη.

Τα κλασικά μοντέλα βαθιάς μάθησης συχνά εμφανίζουν ρηχή, ασαφή ή λανθασμένη βάση για ερμηνείες δεδομένων, αλλά τα υγρά νευρωνικά δίκτυα μπορούν να εξηγήσουν τη βάση τους για την ερμηνεία δεδομένων.

• Ωστόσο…

Τα υγρά νευρωνικά δίκτυα (Liquid Neural Networks) δεν είναι μια ολοκληρωμένη λύση για τα πάντα.

Ενώ χειρίζονται καλά συνεχείς ροές δεδομένων, όπως ροές ήχου, δεδομένα θερμοκρασίας ή ροές βίντεο, δυσκολεύονται με στατικά ή σταθερά δεδομένα, τα οποία ταιριάζουν καλύτερα σε άλλα μοντέλα τεχνητής νοημοσύνης.

Το Τελικό Συμπέρασμα

Στο τοπίο της τεχνητής νοημοσύνης, τα υγρά νευρωνικά δίκτυα (Liquid Neural Networks) είναι από τα πιο κρίσιμα αναδυόμενα μοντέλα.

Συνυπάρχει με το κλασικό νευρωνικό δίκτυο βαθιάς μάθησης, αλλά φαίνεται ότι ταιριάζει καλύτερα σε εξαιρετικά σύνθετες εργασίες όπως τα αυτόνομα οχήματα, η ανάγνωση θερμοκρασίας ή κλίματος ή οι αξιολογήσεις χρηματιστηρίου, ενώ το κλασικό νευρωνικό δίκτυο βαθιάς μάθησης κάνει καλύτερη δουλειά με στατικά ή εφάπαξ δεδομένα.

Οι ερευνητές στο Computer Science and Artificial Intelligence Laboratory στο MIT (CSAIL) προσπαθούν να επεκτείνουν τις δυνατότητες των υγρών νευρωνικών δικτύων σε περισσότερες περιπτώσεις χρήσης, αλλά θα χρειαστεί χρόνος.

Τόσο τα υγρά νευρωνικά δίκτυα (Liquid Neural Networks) όσο και τα κλασικά νευρωνικά δίκτυα βαθιάς μάθησης έχουν προκαθορισμένους ρόλους στο ευρύτερο τοπίο της τεχνητής νοημοσύνης και αυτό που σίγουρα ισχύει είναι ότι δύο μοντέλα είναι καλύτερα από ένα.