Comment les réseaux de neurones liquides peuvent réduire le monde de l'IA

Aug 04, 2023

Kaushik est un architecte technique et un consultant en logiciels, ayant plus de 20 ans d'expérience dans le secteur de l'analyse, du développement, de l'architecture, de la conception, des tests et de la formation de logiciels. Il…

Eddie Wrenn est un journaliste et rédacteur en chef qui a travaillé dans des salles de rédaction nationales et internationales au Royaume-Uni et en Australie, en se concentrant sur…

Les réseaux de neurones liquides se distinguent comme un élément essentiel et distinctif dans le paysage de l’IA en raison de leur approche non linéaire et créative semblable au cerveau humain, contrairement aux réseaux de neurones linéaires. Ils excellent dans la résolution de défis complexes tels que les prévisions météorologiques, l’analyse boursière et la reconnaissance vocale, qui étaient auparavant dominés par des experts humains.

Les réseaux de neurones liquides comptent parmi les composants émergents les plus importants et les plus uniques du paysage de l’intelligence artificielle (IA).

Lorsqu’une machine ou un robot doit réagir à un stimulus ou à des données externes, cela peut être extrêmement gourmand en ressources, provoquant un goulot d’étranglement si vous essayez d’intégrer l’intelligence dans un très petit espace.

VentureBeat décrit comment un réseau neuronal classique pourrait avoir besoin de 100 000 neurones artificiels pour maintenir la stabilité de la voiture dans une tâche telle que conduire un véhicule sur une route.

Cependant, grâce à une découverte incroyable, l’équipe du MIT CSAIL développant des réseaux de neurones liquides a pu effectuer la même tâche avec seulement 19 neurones.

Les réseaux de neurones liquides sont un type d'architecture d'apprentissage profond développé pour résoudre un défi pour les robots effectuant un apprentissage et des tâches complexes, dans le but de contourner le problème de la dépendance au cloud ou du stockage interne limité.

Daniela Rus, directrice du MIT CSAIL, a déclaré à VentureBeat : « L'inspiration pour les réseaux de neurones liquides a été de réfléchir aux approches existantes de l'apprentissage automatique et de réfléchir à la manière dont elles s'intègrent au type de systèmes critiques pour la sécurité qu'offrent les robots et les appareils de pointe.

"Sur un robot, vous ne pouvez pas vraiment exécuter un grand modèle de langage car il n'y a pas vraiment la [puissance] de calcul et l'espace [de stockage] pour cela."

L’équipe de recherche a trouvé un indice sur leur problème grâce à la recherche sur les neurones biologiques trouvés dans de minuscules organismes.

Considérez les réseaux de neurones liquides comme les cellules interconnectées d'un cerveau humain qui se réunissent pour traiter les informations et fournir des résultats.

Le cerveau humain est un arrangement cellulaire très complexe qui effectue des calculs extrêmement complexes.

Les réseaux de neurones liquides se concentrent sur les applications critiques pour la sécurité, telles que les véhicules autonomes et les robots, qui nécessitent un flux continu de données.

Selon Daniela Rus, « en général, les réseaux liquides fonctionnent bien lorsque nous disposons de données chronologiques… vous avez besoin d'une séquence pour que les réseaux liquides fonctionnent bien.

"Cependant, si vous essayez d'appliquer la solution de réseau liquide à une base de données statique comme ImageNet, cela ne fonctionnera pas aussi bien."

L'équipe de recherche du Laboratoire d'informatique et d'intelligence artificielle du MIT (CSAIL) a découvert les avantages suivants sur la base de son expérience.

Les réseaux de neurones liquides pourraient fonctionner avec un nombre de neurones nettement inférieur à celui des réseaux de neurones classiques.

Comme indiqué ci-dessus, un réseau neuronal classique d’apprentissage profond aurait besoin de 100 000 neurones pour maintenir une voiture autonome dans sa voie – un réseau neuronal liquide n’a besoin que de 19 neurones.

Les réseaux de neurones liquides gèrent mieux la causalité que les réseaux de neurones classiques d'apprentissage en profondeur. Ils peuvent identifier une relation claire entre la cause et les effets, ce que les réseaux neuronaux classiques d’apprentissage profond ont du mal à faire.

Par exemple, les réseaux neuronaux classiques d’apprentissage profond peuvent identifier de manière cohérente les relations de cause à effet entre des événements dans divers contextes plus efficacement que le réseau neuronal classique.

Comprendre l'interprétation des données par un système d'IA est l'un des plus grands défis de l'IA.

Les modèles classiques d’apprentissage profond affichent souvent une base superficielle, peu claire ou erronée pour l’interprétation des données, mais les réseaux de neurones liquides peuvent expliquer leur base pour l’interprétation des données.