**MIT突破性成果登顶Nature子刊！**科学家受线虫微型大脑启发，研发出革命性19节点液态神经网络系统。这一脑启发的AI架构在自动驾驶控制任务中展现出惊人表现：仅用传统神经网络万分之一规模的神经元数量，即实现更优性能表现。
该系统的核心优势在于其动态适应能力——不同于固定架构的传统模型，液态神经网络能在运行时持续学习并适应新数据流，展现出类脑的灵活性与环境交互能力。研究证实，这种生物启发算法在实时性、能效比及小样本学习等关键指标上均超越主流深度学习方案，为边缘计算、自主机器人等场景提供了全新的高效AI范式。
一、Generalized Framework for Liquid Neural Network upon Sequential and Non-Sequential Tasks
1.方法
1. 广义液态神经网络框架（GLNN）
- 提出一种新型液态神经网络框架，通过整合Runge-Kutta DOPRI 5方法，增强动态系统模拟能力。
- 将时间依赖的微分方程模型转换为时间独立的稳态模型（即系统达到平衡状态，满足dy/dx=0）。
- 通过稳态条件推导和非线性函数的泰勒展开线性化，解决非序列任务中的静态分析问题。
- 采用Dormand-Prince数值方法求解动态微分方程，支持自适应步长和误差控制。
2. 统一求解器与神经回路策略（NCP）的集成
- 将神经回路策略（NCP）与液态神经网络结合，模仿线虫的层次化神经元结构（感觉神经元、中间神经元、命令神经元、运动神经元）。
- 在医疗图像分类任务中，采用Z-NCP序列建模技术，沿图像深度方向分割通道层，提升特征提取能力。
3. 应用案例实现
- 阻尼正弦轨迹预测：通过神经ODE和液态神经网络的联合优化，结合伴随敏感度算法进行梯度计算。
- 非线性RLC电路建模：利用状态空间方程描述电路动态，并引入电感随电流变化的非线性关系。
- 视网膜疾病分类：基于OCTMNIST数据集，使用编码器提取图像特征，通过NCP头部实现疾病分类。
2.创新点
1. 非序列任务扩展
- 首次将液态神经网络的应用从序列任务（如时间序列预测）扩展到非序列任务（如图像分类和电路建模），突破了传统LNN的局限性。
2. Runge-Kutta DOPRI方法整合
- 将高阶数值微分方程求解器嵌入神经网络框架，提升动态系统建模的稳定性和计算效率。
3. 性能显著提升
- 在阻尼正弦轨迹预测任务中，GLNN的损失值显著低于神经ODE和传统LNN。
- 非线性RLC电路建模精度提升20%（GLNN精度0.95 vs. LNN 0.75）。
- OCT图像分类的F1分数达到0.98，比传统LNN提高10%。
4.生物启发式架构
- 通过仿生学设计（如线虫神经结构）优化网络层次，增强模型对复杂动态的适应能力和可解释性。
5. 统一动态与稳态分析
- 通过单一框架同时支持动态过程模拟和稳态分析，简化了复杂系统的建模流程。
论文链接：https://www.mdpi.com/2227-7390/12/16/2525
二、Exploring Liquid Neural Networks on Loihi
1.方法
1. 模型架构设计
- 提出LNN模块，通过级联卷积层逐步降低数据维度，生成抽象表征，并利用神经电路策略（NCP）进行决策。
- 动态调整网络结构和参数，通过微分方程建模神经元通信，实现连续时间动态系统。
2. 训练与优化
- 采用反向传播和Adam优化器进行循环训练，优化模型参数以提高预测精度。
- 为适应边缘设备的资源限制，对模型进行量化（减少参数敏感性）和转换（适配不同硬件平台）。
3. 硬件部署
- 在Loihi-2神经形态芯片上部署模型，利用其异步事件驱动的计算特性，实现高效能、低能耗的推理。
- 使用LAVA框架将模型编译为Loihi-2可执行格式，并验证其兼容性与实时性。
4. 计算资源管理
- 定义了MAC（乘加操作）的计算模型，包括嵌入层、动态适应层和处理层的操作量分析，优化整体吞吐量。
2.创新点
1. 高效能低能耗的硬件集成
- 首次在Loihi-2芯片上实现LNN，在CIFAR-10数据集上达到91.3%准确率，每帧能耗仅213微焦耳，显著优于传统DNN、CNN和SNN模型。
2. 动态适应性与稳定性
- 通过微分方程建模神经元动态特性，无需循环连接即可保持系统稳定性，且能根据输入动态调整网络参数，适应复杂时序数据。
3. 跨领域应用潜力
- 展示了LNN在无线通信（MIMO信道预测）、自动驾驶（CALNet多传感器融合）、医疗（实时患者数据分析）等领域的实际应用案例。
4. 算法-硬件协同设计
- 提出LTC-SE算法优化资源受限场景下的计算效率，结合神经形态硬件的并行性和低功耗特性，为边缘计算提供新范式。
5. 理论创新
- 融合生物神经元模型与连续时间动态系统理论，提升LNN对时序依赖的建模能力。
论文链接：https://arxiv.org/abs/2407.20590
文章来源：微信公众号-AI前沿速递，原始发表时间：2025年03月31日。