Liquid Neural Networks – sieci, których parametry zmieniają się w czasie rzeczywistym.

Termin odnosi się do klas sieci neuronowych charakteryzujących się dynamiczną adaptacją parametrów w czasie rzeczywistym, co umożliwia efektywne modelowanie i przetwarzanie sygnałów o zmiennych właściwościach. W przeciwieństwie do tradycyjnych, statycznych sieci neuronowych, parametry tych modeli nie pozostają stałe po zakończeniu treningu, ale modyfikują się na bieżąco w odpowiedzi na napływające dane lub zmieniające się warunki środowiskowe.

Takie podejście pozwala na lepsze odwzorowanie zjawisk o nietrywialnej dynamice, szczególnie w aplikacjach wymagających szybkiej adaptacji, takich jak rozpoznawanie mowy, sterowanie robotami czy analiza strumieni czasowych. Zmienne w czasie parametry sieci zwiększają jej elastyczność i odporność na zakłócenia, umożliwiając modelowanie nieliniowych procesów oraz dostosowanie się do nieprzewidywalnych zmian w danych wejściowych.

W praktyce implementacja polega często na wykorzystaniu specjalnych warstw czy mechanizmów uczenia online, które modyfikują wagę połączeń neuronowych na podstawie aktualnego stanu sieci i jej otoczenia. Zjawisko to stanowi jedno z podejść w rozwoju adaptacyjnych systemów sztucznej inteligencji, bliskich sposobom funkcjonowania biologicznych układów nerwowych.