අපි හැමෝම හිතාගෙන ඉන්නේ ChatGPT, Claude, නැත්නම් Google Gemini වගේ Large Language Models (LLMs) තමයි Artificial Intelligence වල මුදුන් මල්කඩ කියලා නේද? හැබැයි මචං, මෙච්චර බිලියන ගණන් වියදම් කරලා හදන මේ වර්තමාන AI වල තියෙන ලොකුම, බයානකම දුර්වලතාවය මොකක්ද දන්නවද?
ඒ තමයි මේවා සිරාවටම "Frozen Brains" (ගල්වෙච්ච / මිදුණු මොළ)! ඒ කියන්නේ, මේ මොඩල් එකක් ට්රේන් කරලා ඉවර වුණාට පස්සේ, ඒකේ තියෙන නියුරෝන සම්බන්ධතා (Neural Weights) සම්පූර්ණයෙන්ම ගල් වෙනවා. අපි ප්රශ්නයක් ඇහුවම ඒකට උත්තර දෙන්න ඒක පාවිච්චි කරන්නේ අර පරණ පාඩම් කරපු කටපාඩම් දැනුම විතරයි. එතනින් එහාට ඒ AI එකේ සජීවී "විකාශනයක්" (Evolution) සිද්ධ වෙන්නේ නෑ.
හැබැයි, MIT (Massachusetts Institute of Technology) එකේ සුපිරි පර්යේෂකයෝ ටිකක් මේ මුළු AI ක්ෂේත්රයම උඩුයටිකුරු කරන්න පුළුවන් අලුත්ම අදහසක් එළියට දැම්මා. ඒ තමයි Liquid Neural Networks (LNN). අද KP Tech Gear අපි, ලංකාවේ තාම කවුරුත් ගැඹුරින් කතා නොකරපු මේ අතිශය විප්ලවීය AI තාක්ෂණයේ පතුලටම බැහැලා බලමු!
මේක තේරුම් ගන්න ආතල් උදාහරණයක් ගනිමු. හිතන්න විභාගෙට යන ළමයි දෙන්නෙක් ඉන්නවා:
1. ChatGPT (කටපාඩම්කාරයා): පාස් පේපර් 10,000ක් කටපාඩම් කරගෙන විභාගෙට යනවා. පේපර් එකට කලින් ආපු ප්රශ්නයක් ආවොත් ලකුණු 100න් 100ම ගන්නවා! හැබැයි එකපාරටම එක එක ලකුණක වෙනසක් තියෙන අලුත් සිලබස් එකේ ප්රශ්නයක් ආවොත්, මූ Panic වෙලා පේපර් එක අනාගන්නවා.
2. Liquid AI (මොළකාරයා): මූ පාස් පේපර් ලක්ෂ ගණන් පාඩම් කරලා නෑ. හැබැයි මූට Concept එක තේරෙනවා. විභාග ශාලාව ඇතුලේදීම අලුත් ප්රශ්නය දැක්කම, ඒ මොහොතේම තමන්ගේ හිතන විදිය වෙනස් කරගෙන නිවැරදි උත්තරේ හදාගන්නවා!
🌊 1. මොකක්ද මේ Liquid Neural Network (LNN) කියන්නේ?
LNN කියන්නේ සාමාන්ය Deep Learning Architecture එකක් නෙවෙයි. මේක Continuous-Time Recurrent Neural Network (CTRNN) කියන පවුලට අයිති අලුත්ම මාදිලියක්. මේකේ තියෙන ප්රධානම මැජික් එක තමයි: මේ AI එක Run වෙන අතරතුර (During Inference), තමන්ගේ වටපිටාවේ වෙනස්කම් වලට අනුව තමන්ගේම Neural Weights සහ Parameters ස්වයංක්රීයව වෙනස් කරගන්නවා!
සාමාන්ය AI එකක දත්ත ගලන්නේ එකම විදියකට ගල්ගැහුණු පාරවල් (Static Synapses) හරහායි. හැබැයි LNN වල දත්ත ගමන් කරන පාරවල් ජලය හෝ දියරයක් (Liquid) වගේ නම්යශීලීයි. ඒ මොහොතේ ලැබෙන අලුත් Data එක මත පදනම් වෙලා, ඊළඟ තත්පරේ තීරණය ගන්න ඕන විදිය AI එක විසින්ම තමන්ගේ internal equations වෙනස් කරගනිමින් සකස් කරගන්නවා.
🐛 2. මේක හැදුවේ කොහොමද? (C. Elegans පණුවාගේ රහස)
MIT එකේ Ramin Hasani, Mathias Lechner ඇතුළු කණ්ඩායම මේ සංකල්පය ගත්තේ පරිගණක විද්යාවෙන් විතරක් නෙවෙයි, ජීව විද්යාවෙන් (Neurobiology)! හරියටම කිව්වොත් Caenorhabditis elegans (C. elegans) කියන මිලිමීටරයක් විතර දිග පියවි ඇසට යන්තම් පෙනෙන කුඩා පණුවාගෙන්.
දැන් ඔයාට හිතෙයි "යකෝ පණුවෙක්ගෙන් AI හදන්නේ කොහොමද?" කියලා. මෙන්න මෙතනයි ආතල් එක තියෙන්නේ:
- ChatGPT-4 එකේ නියුරෝන (Parameters) ට්රිලියන 1.8 කට වඩා තියෙනවා. ඒකට පවර් දෙන්න Mega-Data centers ඕනේ.
- අර පුංචි C. elegans පණුවාගේ මොළේ තියෙන්නේ නියුරෝන (Neurons) 302 ක් විතරයි!
හැබැයි මේ නියුරෝන 302ක් තියෙන පණුවාට පුළුවන් නිදහසේ පිහිනන්න, කෑම හොයාගන්න, විලෝපිකයන්ගෙන් බේරෙන්න, වතුරේ උෂ්ණත්වය වෙනස් වෙද්දී ඒ වෙලාවෙම ඒකට අනුව තමන්ගේ පිහිනුම් රටාව වෙනස් කරගන්න. ඌට ඒකට Supercomputer ඕන වුණේ නෑ! විද්යාඥයෝ බැලුවා කොහොමද මේ පණුවා නියුරෝන 302න් මෙච්චර Real-time Adaptability එකක් ගන්නේ කියලා.
ඔවුන් සොයාගත්තා මේ පණුවාගේ නියුරෝන අතර තියෙන රසායනික සම්ප්රේෂණය (Chemical Synapses) ක්රියා කරන්නේ එක දිගට ගලන කාලය (Continuous time) මත පදනම් වූ සංකීර්ණ රසායනික ප්රතික්රියා මගින් බව. විද්යාඥයෝ කළේ මේ රසායනික සිද්ධිය ගණිතමය සමීකරණ (Differential Equations) බවට හරවා පරිගණක කේතයක් බවට පත්කිරීමයි!
හිතන්න Tesla එකේ Self-driving AI එක ලංකාවට ගෙනත් දානවා කියලා. සාමාන්ය AI එක ට්රේන් කරලා තියෙන්නේ සුද්දන්ගේ එක කෙලින් තියෙන පාරවල් වලට. කොළඹ පාරක එකපාරටම ත්රීවීල් එකක් කැපුවොත්, පාර මැද්දේ හරකෙක් නිදාගත්තොත්, නැත්නම් හිටපු ගමන් මහ වැස්සක් ඇවිත් පාර යට වුණොත් static AI එක Freeze වෙලා හැප්පෙන්න පුළුවන්!
හැබැයි Liquid AI එකක් වැඩ කරන්නේ කොළඹ rout 138 බස් ඩ්රයිවර් කෙනෙක් වගෙයි. පාරේ මොන අලකලංචිය වුණත්, ඒ වෙලාවේ සිද්ධ වෙන නාට්යයට අනුව තත්පරයෙන් තත්පරේ රියදුරු ශෛලිය වෙනස් කරගෙන ගේම ගහනවා!
📐 3. Mathematical Deep Dive: Dynamic Differential Equations
ටිකක් deep engineering පැත්තට බැහැලා බලමු. සාමාන්ය Neural Networks (උදා: Deep Feedforward NNs, CNNs, Transformers) ක්රියා කරන්නේ Discrete Time Step (වෙන් වෙන් වූ කාල පරාස) වලයි. ඒ කියන්නේ $t_1, t_2, t_3$ කියන තත්පර වලදී $y = f(Wx + b)$ කියන සරල රේඛීය ගණිතය පාවිච්චි කරලා.
නමුත් Liquid Neural Networks ක්රියා කරන්නේ Continuous Time (අඛණ්ඩ කාලය) මතයි. මෙහිදී භාවිත වන මූලික සංකල්පය තමයි Neural ODEs (Ordinary Differential Equations) සහ Liquid Time-Constant (LTC) Networks.
LNN එකක hidden state ($h(t)$) එක කාලය ($t$) සමඟ වෙනස් වන ආකාරය දක්වන මූලික අවකලන සමීකරණය (Differential Equation) පහත පරිදි වේ:
$$ \frac{dh(t)}{dt} = -\left[ \frac{1}{\tau} + f(h(t), x(t), t) \right] h(t) + f(h(t), x(t), t) A $$🔍 මේ සමීකරණයේ තේරුම සරලව ගලපා බලමු:
- $h(t)$: වර්තමාන කාලයේ මොඩල් එකේ තියෙන Hidden State එක (මොළයේ මතකය).
- $x(t)$: ඒ මොහොතේ පරිසරයෙන් ලැබෙන Input එක (උදා: කැමරා පින්තූරයක් හෝ සංවේදක දත්තයක්).
- $\tau$ (Tau): නියුරෝනයේ මූලික කාල නියතය (Base time constant).
- $f(h(t), x(t), t)$: මේක තමයි LNN එකේ මැජික් එක! මෙය Input එක සහ වර්තමාන State එක මත පදනම්ව වෙනස් වන Non-linear Neural Network ශ්රිතයකි.
සාමාන්ය AI එකක $\tau$ (time constant) එක වෙනස් වෙන්නේ නැත. නමුත් LNN එකක මෙහි කාලය වෙනස් වන වේගය (Time-Constant) පවා දියරයක් මෙන් වෙනස් වේ! එම නිසා දත්ත වේගයෙන් වෙනස් වන විට AI එක වේගයෙන් ප්රතිචාර දක්වයි, දත්ත ස්ථාවර වන විට සෙමින් ප්රතිචාර දක්වයි.
📊 4. Traditional AI vs Liquid Neural Networks (LNN)
මේ තාක්ෂණයන් දෙකේ වෙනස එක එල්ලේ සංසන්දනය කර බලමු:
| ලක්ෂණය | සාමාන්ය AI (LLM / Transformers) | Liquid Neural Networks (LNN) |
|---|---|---|
| Inference Time behavior | Static (Weights වෙනස් නොවේ) | Dynamic (Weights සජීවීව වෙනස් වේ) |
| Time Modeling | Discrete Time Steps ($t_1, t_2...$) | Continuous Time (අඛණ්ඩ කාලය) |
| නියුරෝන/Parameters ගණන | බිලියන / ට්රිලියන ගණනක් ඕනේ | නියුරෝන 20 - 100 න් විශාල වැඩ කල හැක |
| Compute Requirement | දැවැන්ත Data Center GPUs (NVIDIA H100) | Raspberry Pi, Microcontrollers, Edge Devices |
| Explainability (කළු පෙට්ටිය ද?) | Black-box (තීරණය ගත්තේ මන්දැයි නිශ්චිත නැත) | Expressive & Interpretable (ගණිතමය සමීකරණ මගින් පැහැදිලි කල හැක) |
| හදිසි වෙනස්වීම් වලට නම්යශීලී බව | ඉතා අඩුයි (Out-of-distribution failure) | අතිශය ඉහළයි (Real-time adaptation) |
👨💻 5. Python Conceptual Code: Liquid Time-Constant (LTC) Simulation
LNN එකක අභ්යන්තරයේ ODE Solver එකක් මගින් State එකක් update වන ආකාරය පෙන්වන සරල Python simulation එකක් පහතින් දැක්වේ:
from scipy.integrate import solve_ivp
class LiquidNeuronCell:
def __init__(self, num_inputs, tau_base=1.0):
self.tau_base = tau_base
self.w_x = np.random.randn(num_inputs) # Input weights
self.w_h = np.random.randn() # Recurrent weight
self.bias = 0.1
def _ode_system(self, t, h, x_t):
# Dynamic Time-Constant Function: f(h, x, t)
gate = 1.0 / (1.0 + np.exp(-(np.dot(self.w_x, x_t) + self.w_h * h + self.bias)))
# Differential equation: dh/dt
dh_dt = -(1.0 / self.tau_base + gate) * h + gate * 1.0
return dh_dt
def forward_continuous(self, h_prev, x_t, delta_t):
# Numerical integration using ODE Solver across continuous time (delta_t)
solution = solve_ivp(
fun=lambda t, h: self._ode_system(t, h, x_t),
t_span=(0, delta_t),
y0=[h_prev],
method='RK45'
)
# Return the new liquid state at the end of time delta
return solution.y[0][-1]
# --- Execution Example ---
neuron = LiquidNeuronCell(num_inputs=3)
sensor_input = np.array([0.5, -0.2, 0.8]) # Continuous Stream Sensor Data
h_state = 0.0 # Initial hidden state
# Simulating state updates over small continuous time intervals
for step in range(3):
h_state = neuron.forward_continuous(h_prev=h_state, x_t=sensor_input, delta_t=0.1)
print(f"[TIME STEP {step+1}] Dynamic Liquid State (h): {h_state:.5f}")
🚁 6. ලෝකය හොල්ලපු MIT Drone පරීක්ෂණය!
LNN වල සැබෑ ශක්තිය ලෝකයටම පෙන්නපු ප්රසිද්ධම පරීක්ෂණය වුණේ MIT එකෙන් කරපු Autonomous Drone Navigation පරීක්ෂණයයි.
විද්යාඥයින් විසින් ඩ්රෝන යානා දෙකකට වෙනස් AI මාදිලි දෙකක් ඇතුළත් කළා:
- Drone A: සාමාන්ය Deep Neural Network (නියුරෝන 100,000 කට වඩා තිබුණා).
- Drone B: Liquid Neural Network (තිබුණේ නියුරෝන 19 යි!).
මුලින්ම මේ ඩ්රෝන දෙකම පිරිසිදු, පැහැදිලි පරිසරයක ට්රේන් කරලා අත්හැරියා. දෙකම ලස්සනට පියාසර කළා. ඊටපස්සේ තමයි සැබෑ ටෙස්ට් එක දුන්නේ:
විද්යාඥයින් විසින් ඩ්රෝන පියාසර කරන මාර්ගයේ පරිසරය සම්පූර්ණයෙන්ම වෙනස් කළා. අධික සුළං, කැමරාවට ගස් කොළන් කඩා වැටීම්, සහ මීදුම පිරුණු කැලෑවක් මැදට මේවා යැව්වා.
ප්රතිඵලය: නියුරෝන ලක්ෂයක් තිබුණු සාමාන්ය AI ඩ්රෝනය (Drone A) පරිසරය වෙනස් වූ සැණින් Confusion වෙලා ගස් වල හැප්පිලා විනාශ වුණා! හැබැයි නියුරෝන 19ක් විතරක් තිබුණු LNN ඩ්රෝනය (Drone B), එක ගහකවත් හැප්පෙන්නේ නැතුව, නුපුරුදු සුළං පාරවල් මගහරිමින් අති සාර්ථකව ගමනාන්තයට පියාසර කළා!
🔮 7. LNN භාවිත වන ප්රධාන ක්ෂේත්ර (Use Cases)
මෙම අතිශය සැහැල්ලු සහ නම්යශීලී බව නිසා LNN පහත ක්ෂේත්ර වල විප්ලවයක් සිදු කරමින් පවතී:
1. Medical Telemetry & Patient ICU Monitoring
ලෙඩෙකුගේ හෘද ස්පන්දනය (ECG), ඔක්සිජන් මට්ටම, ලේ ගමනාගමනය කියන්නේ Discrete steps නෙවෙයි continuous time-series data. LNN එකකට පුළුවන් ලෙඩාට අමාරු වෙන්න කලින් හෘද ස්පන්දනයේ සිදුවන අතිශය සුළු අවුල් සහගත බව කලින්ම හඳුනාගන්න.
2. Robotics & Space Exploration
අඟහරු (Mars) මත යන Rover එකකට පෘථිවියෙන් සිග්නල් යන්න විනාඩි ගණන් යනවා. එහෙදි Rover එකට තනිවම තීරණ ගන්න වෙනවා. LNN එකක් රෝවර් එකකට දැම්මාම, අඟහරු මත හදිසියේ එන වැලි කුණාටුවකට හෝ බාධකයකට තත්පරයෙන් තත්පරේ Adapt වෙන්න පුළුවන්.
3. Financial Stock Market Trading
කොටස් වෙළඳපොල (Stock Market) කියන්නේ තත්පරෙන් තත්පරේ වෙනස් වෙන අවුල් ජාලාවක් (Chaos). සාමාන්ය AI වලට Market crash එකක් ආවම කරගන්න දෙයක් නැති වෙනවා. නමුත් LNN වල ඇති ODE ගණිතමය පදනම නිසා අර්බුදකාරී අවස්ථාවකදී පවා ඉක්මන් නිවැරදි තීරණ ගනී.
⚠️ 8. LNN වල තියෙන එකම අභියෝගය කුමක්ද?
LNN මෙච්චර පට්ට නම් ඇයි හෙටම ChatGPT වෙනුවට මේවා එන්නේ නැත්තේ? එතනත් ලොකු technical bottleneck එකක් තියෙනවා:
සාමාන්ය AI (Transformers) ට්රේන් කරන්න ලෙහෙසි වන්නේ ඒවා Matrix Multiplications පදනම් කරගන්නා නිසා එකවර සමාන්තරව (Parallel processing) NVIDIA GPUs වල Run කළ හැකි බැවිනි. නමුත් LNN වල ඇත්තේ differential equations එක දිගට විසඳීමේ (Sequential ODE solving) ක්රියාවලියකි. මේ නිසා LNN ට්රේන් කිරීම පරිණත වීමට තව පර්යේෂණ කිහිපයක් අවශ්ය වේ.
විද්යාඥයින් විශ්වාස කරන්නේ අනාගතයේදී එන්නේ Hybrid AI Models බවයි. ඒ කියන්නේ මොළයේ විශාල කටපාඩම් කොටස සඳහා Transformer එකකුත්, තත්පරයෙන් තත්පරේ තීරණ ගන්නා Real-time කොටස සඳහා LNN එකකුත් එකතු වූ සුපිරි AI එකකි!
ඔයා Software Engineering, Robotics හෝ AI ක්ෂේත්රයේ ඉන්න කෙනෙක් නම්, නිකම්ම Wrapper APIs (OpenAI API) දිහා විතරක් බලන් ඉන්නේ නැතුව මේ වගේ Liquid Neural Networks (Neural ODEs) ගැන අදම ඉගෙනගන්න පටන් ගන්න. අනාගත Edge Computing සහ Robotics බලගන්වන්නේ මේ තාක්ෂණයයි!
ඉතින් මචං, මේ වගේ සජීවීව වෙනස් වෙන AI මොළයක් ගැන ඔයා හිතන්නේ මොකක්ද? LNN නිසා අනාගතයේදී රොබෝවරු මනුස්සයන්ටත් වඩා ඉක්මනින් වැඩ කරයිද? 🤔
පල්ලෙහායින් ඔයාගේ අදහස කමෙන්ට් කරගෙන යන්න! මේ වගේ ගැඹුරු Tech Articles දිගටම කියවන්න KP Tech Gear එක්ක එකතු වෙලා ඉන්න. ජය වේවා! 👇
Discussion