为了适应自动驾驶，控制机器人和医疗诊断等场景，必须将神经网络适应各种快速变化的条件。
好消息是，麻省理工学院（MIT）计算机科学与人工智能实验室（CSAIL）的Ramin Hasani团队已设计出一种“液体”容器，用于设计和制造“液体”容器。
神经网络的重大改进。
它的特点是，进入训练阶段后，可以大大扩展AI技术的灵活性。
在正常情况下，研究人员将在训练阶段为神经网络算法提供大量相关的目标数据，以提高其推理能力。
在此期间，将奖励正确的响应以优化其性能。
但是，传统的训练计划显然太“僵化”。
鉴于此，RaminHasani与团队成员合作开发了一种新方法，该方法可使神经网络像“液体”一样发挥作用。
并且更好地适应“正确”的要求。
随着时间的推移提供新信息。
例如，如果无人驾驶汽车上的感知神经网络可以区分晴朗的天空和大雪等环境，则它可以更好地适应情况的变化并保持更高的性能。
这项新研究的主要特点是着眼于时间序列的适应性。
除了建立在训练数据或静态时间的多个快照上之外，可流动的液体神经网络还可以考虑时间序列或图像序列，而不是孤立的单个片段。
由于采用了这种系统设计方法，与传统的神经网络相比，麻省理工学院的液体系统实际上更便于观察和研究。
前一种AI通常被称为“黑匣子”。
尽管算法开发人员清楚地知道确定输入信息的标准，但他们通常无法确定其中发生了什么。
液态神经网络提高了这部分的透明度，并且对复杂的计算节点的依赖性降低，因此还具有相当不错的成本优势。
最终结果表明，在预测已知数据集的未来价值时，液态神经网络的准确性明显优于其他替代方法。
在下一步中，Hasani和团队成员将继续改善液体神经网络的性能，并努力将其推向实际应用。
负责编辑AJX
