液态网络在处理人工神经元之间的突触连接时也有所不同。在标准神经网络中,这些连接的强度可以用一个数字(权重)表示。在液态网络中,神经元之间的信号交换是一个由“非线性”函数表示的概率过程,这意味着对输入的反应并不总是成比例的。例如,输入量的翻倍所导致输出量改变不一定翻倍,而是可大可小。这种内在的可变性是这些网络被称为“液态”的原因。神经元的反应可能会因其接收到的输入而异。
传统网络的核心算法是在训练期间设置的,这期间这些系统会接受大量的数据,从而校准其权重的最优值。而液态神经网络有更强的适应性。“它们能够根据观察到的输入改变其基本方程,从而改变神经元响应的速度。”麻省理工学院计算机科学与人工智能实验室主任达尼埃拉•鲁斯(Daniela Rus)说道。
为了展示这种能力,一项早期的测试试图用液态神经网络来驾驶自动驾驶汽车。传统神经网络只能以固定时间间隔分析汽车摄像头的视觉数据。而由19个神经元和253个突触组成的液态神经网络(按照机器学习的标准来说,它可以称得上是微型)可以更加灵敏地响应[4]。关于液态神经网络的这几篇论文的合著者之一鲁斯说:“
我们的模型可以在诸如蜿蜒路段等情况下更频繁地采样。”
莱希纳说,该模型成功地让汽车保持在车道上,但它有一个缺陷:“它速度非常慢。”问题源于表示突触和神经元的非线性方程——如果不进行重复计算,计算机无法得到这些方程的解,于是它们需要迭代(iterate)才能最终收敛得到解决方案。这通常由被称作求解器的专用软件包对每个突触和神经元单独进行处理。