2025深度学习发论文&模型涨点之------液态神经网络
液态神经网络（Liquid Neural Networks，LNN）是一种受生物神经系统启发的连续时间递归神经网络（RNN），其核心创新在于将静态神经网络转化为由微分方程驱动的动态系统。与传统RNN在离散时间步上更新状态不同，LNN的神经元状态由一个微分方程描述，使其能够更自然地处理非均匀采样或连续的时间序列数据。这种网络的设计理念借鉴自生物神经系统，特别是秀丽隐杆线虫的神经结构，尽管这种微生物的神经系统只有302个神经元，但却能产生复杂的行为。
我整理了一些液态神经网络【**论文+代码】**合集
论文精选
论文1：
Nature子刊\] Neural circuit policies enabling auditable autonomy 神经回路策略实现可审计自主性 **方法** 端到端学习系统：设计了一个端到端学习系统，通过卷积层感知输入，提取图像特征，并通过循环神经网络（NCP）结构进行控制。 NCP网络结构：NCP的网络结构受秀丽隐杆线虫神经系统布线图的启发，具有稀疏连接和高效的分布式控制能力。 连续时间常微分方程（ODE）：NCP利用ODE来模拟神经元的动态行为，提高了模型对时间序列数据的建模能力。 训练方法：采用半隐式ODE求解器和反向传播算法进行训练，确保了训练过程的稳定性和准确性。  **创新点** 紧凑网络结构：提出了紧凑的神经回路策略（NCP），仅用19个控制神经元和253个突触连接，实现了从高维输入到转向命令的映射，显著优于现有的大规模黑盒学习系统。 性能提升：在自动驾驶的车道保持任务中，NCP在输入噪声增加时避免崩溃的能力比现有模型高出20%以上。 可解释性增强：通过稀疏网络结构和连续时间动态，提高了模型的可解释性和鲁棒性。 计算效率：与传统的深度学习模型相比，NCP在保持高性能的同时，显著降低了模型的复杂度和计算成本。  **论文2：** Equivariant graph neural networks for fast electron density estimation of molecules, liquids, and solids 等变图神经网络用于分子、液体和固体的快速电子密度估计 **方法** 等变图神经网络：提出了一种基于等变图神经网络的机器学习框架，用于预测电子密度ρ(⃗r)，通过在消息传递图中设置特殊的查询点顶点（仅接收消息）来预测电子密度。 原子序数和坐标输入：模型仅使用原子的原子序数和坐标作为输入，无需依赖预定义的密度基函数，从而实现了从数据中直接学习电子密度。 消息传递机制：利用消息传递机制传播原子间的相互作用信息，通过等变图神经网络学习原子间的相互作用。 训练数据：在QM9分子数据集、液态碳酸乙烯酯电解质（EC）和NMC锂离子电池正极材料等多个数据集上进行了训练和验证。  **创新点** 高精度预测：模型在QM9分子数据集上的准确性超过了DFT计算中不同交换相关泛函的典型变化范围。 性能提升：在所有三个数据集上，模型的准确性都超越了现有技术，且计算时间比DFT快几个数量级。 适用性广泛：该模型不仅适用于分子，还适用于液体和固体，展示了其在不同物态下的广泛适用性。 计算效率：模型的线性扩展特性使其在处理大规模系统时比DFT更高效，即使对于小系统，模型也比DFT快一个数量级。  **论文3：** Molecular dynamics simulation with finite electric fields using Perturbed Neural Network Potentials 使用受扰动神经网络势的有限电场下的分子动力学模拟 **方法** 受扰动神经网络势（PNNP）：提出了一种新的分子动力学模拟方法，通过将总原子力表示为标准神经网络势（代表未扰动势能面）和由电场诱导的扰动（通过原子极化张量表示）的和来实现。 消息传递机制：利用消息传递机制传播原子间的相互作用信息，通过等变图神经网络学习原子间的相互作用。 训练数据：在QM9分子数据集、液态碳酸乙烯酯电解质（EC）和NMC锂离子电池正极材料等多个数据集上进行了训练和验证。 流形学习技术：采用流形学习技术压缩波束成形问题的搜索空间，提高算法的计算效率。  **创新点** 高精度模拟：PNNP MD在模拟液体水的介电弛豫动力学、介电常数和场依赖的红外光谱时，与从头算分子动力学（AIMD）或实验结果相媲美。 性能提升：与传统方法相比，PNNP MD在计算效率上提高了几个数量级，能够处理更大规模的系统。 适用性广泛：该方法不仅适用于分子，还适用于液体和固体，展示了其在不同物态下的广泛适用性。 计算效率：通过避免显式嵌入到Krein空间和基于特征分解的构建新的内积，提高了算法的计算效率。 