Sieć mesh złożona z niezależnych agentów nie ma centrum koordynacji, wspólnego zegara czy możliwości retrainingu wag. Każdy agent musi łączyć informacje od sąsiadów w jednym stanie wewnętrznym, pracując na danych przychodzących nieregularnie i bez synchronizacji. Naukowcy z arXiv analizują, jaki typ sieci neuronowej może pracować w takich ekstremalnych warunkach.
Prowadzą oni matematyczne dowody na dwie niezbędne warunki dla optymalnego estymatora. Po pierwsze, ponieważ ukryty stan zmienia się w czasie, każdy filtr o stałym wzmocnieniu jest ściśle suboptimalny - konieczna jest adaptacyjna skala czasowa. Po drugie, ze względu na brak synchronizacji między przychodzącymi obserwacjami, sieć musi reagować na rzeczywiste opóźnienia między nimi. Żadna sieć oparta na stałym numerze warstw czy neuronów nie może rekompensować tego braku - to jest problem niezależny od skali sieci.
Dwie te warunki przecinają się dokładnie w klasie sieci ciągłych o wielu skalach czasowych (liquid networks). LSTM spełnia pierwszy warunek, tradycyjny filtr ciągły spełnia drugi, ale tylko multi-timescale liquid network spełnia oba. Eksperymenty potwierdzają теorię - sieć osiąga wymaganą adaptacyjność skalę czasową, a separacja warunków jest dokładnie mierzalna. Wyniki mają znaczenie dla systemów zdecentralizowanych i robotyki rójowej, gdzie koordinacja centralna jest niemożliwa.