在數據流隨時間變化的領域，開發可以快速學習的更靈活的人工智能是關鍵任務。具有時間序列數據的實際應用包括視頻處理、流行病學、金融市場、經濟學、國內生產總值 (GDP)、健康監測、天氣預報、大氣污染、自動駕駛汽車、機器人技術、航空和醫學成像等一些。

　　流體智力與晶體智力的概念可以追溯到 1963 年，當時它是由 20 世紀最有影響力的心理學家之一雷蒙德·卡特爾 (Raymond Cattell) (1905-1998) 提出的。流體智力是靈活思考、推理和實時處理新信息的能力。相比之下，結晶智力是指從先前學習的事實、技能和經驗中獲得的知識。

　　流體智力(Fluid Intelligence)是一種以生理為基礎的認知能力，如知覺、記憶、運算速度、推理能力等。流體智力是與晶體智力相對應的概念，流體智力隨年齡的老化而減退。流體智力屬于人類的基本能力，受先天遺傳因素影響較大，受教育文化影響較少。流體智力的發展與年齡有密切的關系：一般人在20歲以后，流體智力的發展達到頂峰，30歲以后隨著年齡的增長而降低。而晶體智力則并不隨年齡的老化而減退，晶體智力主要指學會的技能、語言文字能力、判斷力、聯想力等。

　　“我們引入了一類新的時間連續循環神經網絡模型，”該研究的作者寫道。 Ramin Hasani 是計算機科學與人工智能實驗室 (CSAIL) 的博士后，也是該研究的主要作者。該團隊的其他研究人員包括麻省理工學院教授兼 CSAIL 主任 Daniela Rus、麻省理工學院博士生 Alexander Amini、奧地利科學技術研究所的 Mathias Lechner 和維也納科技大學的 Radu Grosu。

　　當存在時間序列數據時，經常使用使用常微分方程 (ODE) 來確定連續時間隱藏狀態的循環神經網絡。研究人員團隊著手改進這種結構，以“實現更豐富的表征學習和表達能力”。

　　研究人員寫道：“我們不是通過隱式非線性來聲明學習系統的動態，而是構建通過非線性互連門調制的線性一階動態系統網絡。”

　　作為替代方案，研究人員創建了一個液體時間常數 (LTC) 循環神經網絡 (RNN)。這種新型循環神經網絡的優勢在于它在設計上更具表現力，因此本質上更透明和可解釋。

　　這種表現力使研究人員能夠更好地了解神經網絡的一些“思考”過程，這一好處有助于揭開人工智能機器學習“黑匣子”的一些復雜認知的神秘面紗。

　　研究小組寫道：“由此產生的模型代表了動態系統，其變化的(即液體)時間常數與其隱藏狀態耦合，輸出由數值微分方程求解器計算。” “這些神經網絡表現出穩定和有界的行為，在神經常微分方程族中產生卓越的表現力，并提高了時間序列預測任務的性能。”

　　為了評估他們的新模型，該團隊對他們的液體時間約束遞歸神經網絡進行了大量實驗。實驗包括訓練分類器從運動數據中識別手勢，從傳感器數據流(溫度、二氧化碳水平、濕度和其他傳感器)預測房間占用，以及從智能手機數據識別人類活動(例如，站立、行走和坐著)。其他測試包括順序 MNIST、運動動力學建模以及交通預測、每小時家庭用電量、臭氧濃度水平和更多類型的人類活動。

　　與其他循環神經網絡模型(LSTM、CT-RNN、Neural ODE 和 CT-GRU)相比，研究人員觀察到，在關于時間序列預測的七項實驗中有四項改進了 5% 到 70%。

　　人工智能正在跨行業和許多功能迅速擴展。 AI 機器學習變得越靈活、流暢和透明，未來提高 AI 安全性和性能的潛力就越大。