FedRings: A Scalable and Topology-Aware Federated Learning Framework for LEO Satellite Constellations

تخيل أن السماء فوقنا لم تعد خالية، بل أصبحت تعج بشبكة قطارات ضخمة وعالية السرعة مكونة من آلاف الأقمار الصناعية. هذه ليست مجرد عيون سلبية تراقب الأرض؛ بل إنها تتحول إلى حواسيب ذكية، تجمع باستمرار بيانات حول طقسنا، وغاباتنا، ومدننا. ولكن هنا تكمن المشكلة: هذه الأقمار الصناعية تتحرك بسرعة كبيرة لدرجة أنها لا تستطيع دائماً التحدث مع بعضها البعض، وبالتأكيد لا يمكنها إرسال كل بياناتها الخام إلى الأرض دون سد حركة الإنترنت. وهنا يأتي دور فكرة ذكية تسمى "التعلم الاتحادي" (Federated Learning). فكر في الأمر كأنه مشروع جماعي حيث يقوم الطلاب (الأقمار الصناعية) بحل لغز بمفردهم، ويشاركون فقط إجاباتهم النهائية، بدلاً من تسليم دفاتر ملاحظاتهم الفوضوية بالكامل. هذا يحافظ على الخصوصية ويوفر عرض النطاق الترددي. ومع ذلك، فإن "الفصل الدراسي" في الفضاء فوضوي. فالطلاب يمرون بجانب بعضهم البعض بسرعة فائقة، والنوافذ المخصحة للتحدث تفتح وتغلق في ثوانٍ، والاتصالات متقطعة. إذا حاول المعلم التنسيق مع الجميع من الأرض، فسوف يتوقف المشروع. لذا، يتساءل العلماء: كيف يمكننا جعل هذه الأقمار الصناعية المسرعة تتعلم معاً بكفاءة بينما يكاد يكون من الصعب بقاؤهم على اتصال؟

هنا يبرز FedRings، وهو إطار عمل جديد اقترحه الباحث "زيوو ليو" وفريقه في جامعة الملك عبد الله للعلوم والتقنية. لقد أدركوا أن محاولة إجبار هذه الأقمار الصناعية على التحدث مثل شبكة حاسوب قياسية كانت هي المشكلة. بدلاً من ذلك، قرروا ترك الأقمار الصناعية تتبع الإيقاع الطبيعي لمداراتها. تخيل أن الأقمار الصناعية مرتبة في مسارات دائرية، مثل العدائين في مضمار جري. ينظم FedRings هذه الأقمار في "حلقات" حيث يتحدث كل قمر صناعي فقط مع الجارين الموجودين بجانبه مباشرة. ولكن لأن الفضاء صعب، فهم لا ينتظرون مجرد اتصال؛ بل يستخدمون استراتيجية "التوجيه المكاني-الزماني". هذا يشبه نظام تحديد المواقع (GPS) الذي لا يكتفي بإظهار الطريق فحسب، بل يتنبأ بدقة متى سيفتح الجسر ومتى سيغلق، ليخبر الأقمار الصناعية متى تمرر ملاحظاتها.

تقدم الورقة البحثية بعض الحيل الذكية لجعل هذا الأمر ممكناً. أولاً، يستخدمون "التجميع التدريجي المتكيف والمتفرق" (Adaptive Sparse Incremental Aggregation). فبدلاً من إرسال حقيبة ظهر ثقيلة من البيانات في كل مرة، تمرر الأقمار الصناعية قائمة صغيرة ومنتقاة من أهم التغييرات على طول المسار، وتضيف ملاحظاتها الخاصة أثناء تقدمها. الأمر يشبه تمرير ورقة واحدة في دائرة، حيث يضيف كل شخص جملة واحدة ويمررها، بدلاً من أن يصرخ الجميع بقصصهم الكاملة في وقت واحد. ثانياً، لديهم "آلية تعويض تاريخية". إذا فات قمر صناعي دورته بسبب انقطاع رابط ما (وهو أمر يحدث كثيراً في الفضاء)، فإنه لا يصاب بالذعر؛ بل يستخدم "ذاكرة" لما يقوله جيرانه عادةً لسد الفجوة، مما يحافظ على استمرار قطار التعلم حتى عندما تصبح المسارات وعرة.

في عمليات المحاكاة التي أجروها، والتي استخدمت إعداداً واقعياً لـ 90 قمراً صناعياً مرتبة في 6 مستويات مدارية (مجموعة "ووكر ستار" - Walker Star)، أظهر FedRics أنه يمكنه التعلم بشكل أسرع وبحركة اتصالات أقل بكثير من الطرق القديمة. اختبر الباحثون ذلك باستخدام مجموعات صور أقمار صناعية حقيقية مثل EuroSAT وDeepGlobe. ووجدوا أن FedRings وصل إلى دقة عالية في جولات أقل واستخدم بيانات أقل بكثير للوص جถึง هناك. وبينما تشير الورقة إلى أن هذا تم اختباره في بيئة محاكاة وليس على أقمار صناعية فعلية في الفضاء بعد، إلا أن النتائج تشير إلى أن تنظيم التعلم الفضائي حول "الحلقات" الطبيعية للمدارات، بدلاً من محاربة الفوضى، هو استراتيجية رابحة. إنه يحول مطاردة عالية السرعة وفوضوية إلى سباق تتابع منسق وفعال، مما يثبت أنه حتى في أكثر البيئات ديناميكية، فإن القليل من الهيكلية يقطع شوطاً طويلاً.