液态神经网络（LNN）由连续时间ODE驱动，参数随时间变化，以极少的神经元实现强大的表达能力。展示LNN核心概念：连续时间ODE驱动、时变参数、小模型大表达力。
LNN核心方程：dx/dt = f(x, I, θ, τ)。通过数值积分方法（Euler法、RK4）求解连续时间ODE，状态随时间连续变化。
液态时间常数τ_i随输入动态变化，不同神经元拥有不同的时间尺度，实现灵活的记忆与遗忘机制。
NCP借鉴线虫神经系统：感知神经元→中间神经元→指令神经元→运动神经元，形成层级化神经电路。
对比液态神经网络（LNN）、循环神经网络（RNN）和长短期记忆网络（LSTM）在动态行为、稳定性、参数量和适应性上的差异。
LNN处理时序数据：输入序列→连续状态更新→输出预测。展示数据流动和状态轨迹演化。
LNN对分布偏移、噪声和对抗扰动具有出色的鲁棒性，对比标准网络在扰动条件下的性能差异。
LNN已在无人机控制、自动驾驶、医疗时间序列分析和机器人控制等领域展现卓越性能。