تخيل عالماً تكون فيه كل سيارة على الطريق عبارة عن روبوت ذكي ومتحدث، يشارك باستمرار أسراراً حول ازدحام المرور، والحفر، والطقس للحفاظ على سلامة الجميع. هذا هو حلم "الشبكات المركبة" (Vehicular Networks)، وهي ساحة لعب تقنية عالية حيث تتحدث السيارات مع بعضها البعض ومع السحابة لجعل تنقلاتنا أكثر سلاسة. ولكن هناك عقبة: السيارات تهتم بالخصوصية؛ فهي لا تريد تسليم سجلات قيادتها الخاصة إلى كمبيوتر مركزي ضخم، ولا يمكنها جميعاً الاتفاق على نفس القواعد لأن سيارة رياضية مسرعة تتعلم بشكل مختلف عن شاحنة توصيل بطيئة الحركة. وهنا يأتي دور "التعلم الاتحادي" (Federated Learning) — وهو خدعة ذكية حيث تتعلم السيارات معاً دون أن تظهر أبداً "واجباتها المدرسية" للمعلم. ومع ذلك، حتى هذه الخدعة تعاني عندما تكون السيارات مختلفة جداً عن بعضها البعض أو عندما يكون بعضها غير نشط أو حتى يحاول التصرف بشكل خبيث.

دخل الباحثون من جامعة ولاية جورجيا وجامعة ولاية بنسلفانيا بيركس، وهم يحاولون حل مشكلة الفصل الدراسي الفوضوية هذه بفكرة جديدة تسمى "التعلم بنقل المعرفة الاتحادي الهرمي" (HFTL) داخل نظام "التوأم الرقمي" (Digital Twin). فكر في التوأم الرقمي كأنه شبح افتراضي مثالي لسيارة حقيقية يعيش في السحابة، ويعكس كل حركة لها في الوقت الفعلي. يقترح المؤلفون نظاماً تنظم فيه هذه الأشباء الافتراضية نفسها في مجموعات مرتبة بناءً على نوع السيارة (مثل "نادي السيارات الرياضية" أو "كتيبة الحافلات"). وبدلاً من أن يحاول الجميع تعلم نفس الدرس في وقت واحد، يمنح النظام لكل مجموعة خطة درس معدلة مسبقاً تناسب احتياجاتها الخاصة، ثم يسمح لها بصقلها ببياناتها المحلية الخاصة. وللحفاظ على نزاهة النظام، يستخدمون سجلاً رقمياً (blockchain) لمنح "نقاط سمعة" للسيارات التي تشارك بيانات جيدة وطرد تلك التي تحاول التصرف بشكل خبيث.

تشير الورقة البحثية إلى أن هذا النهج المنظم يعمل بشكل أفضل من الطرق القديمة الفوضوية لتعليم السيارات. وفي عمليات المحاكاة التي أجروها، وجد المؤلفون أن طريقة HFTL حققت دقة نموذج بلغت 0.822 (أو 82.2%)، وهي أعلى من 0.708 (70.8%) التي حققها التعلم المركزي التقليدي و 0.721 (72.1%) من التعلم الاتحادي القياسي. كما تعلمت بشكل أسرع، حيث استغرقت 1.02 ثانية فقط للتدريب مقارنة بـ 2.03 ثانية للطريقة المركزية، واستخدمت موارد حوسبة أقل بكثير، حيث انخفض الاستهلاك إلى 8.30% من 20.19%. وبينما تطلب النظام حركة اتصالات أكثر قليلاً لإرسال خطط الدروس المعدلة مسبقاً، إلا أن المقايضة كانت تستحق العناء من أجل مكاسب السرعة والدقة. اختبر الباحثون هذا على 100 سيناريو محاكى مختلف مع ما يصل إلى 500 مركبة، مما أظهر أنه حتى مع نمو الشبكة، ظل أسلوبهم حاداً، حيث وصل إلى دقة 90% بشكل أسرع من الطرق الأخرى. ومع ذلك، فهم يعترفون بأنه في العالم الحقيقي، فإن أشياء مثل اتصالات الإنترنت غير المستقرة أو السيارات التي تختلف كثيراً عن جيرانها قد تسبب لا تزال تسبب بعض المشكلات، لذا فهذه محاكاة واعدة وليست منتجاً نهائياً جاهزاً للطرق.

الفكرة الكبيرة: فصل دراسي افتراضي للسيارات

تخيل أنك مدير مدرسة ضخمة حيث كل طالب فيها هو سيارة. بعض الطلاب هم سيارات سباق، وبعضهم حافلات مدرسية، وبعضهم شاحنات توصيل. في الأيام الخوالي، كان المدير (خادم السحابة المركزي) يحاول تعليم الجميع نفس الدرس تماماً في نفس الوقت. لكن سيارة السباق لا تحتاج لتعلم كيفية حمل 50 طفلاً، والحافلة لا تحتاج لتعلم كيفية الانجراف حول الزوايا. هذا النهج "الموحد للجميع" كان بطيئاً، ومربكاً، وغالباً ما يؤدي إلى درجات سيئة.

يقترح مؤلفو هذه الورقة طريقة أذكى: التعلم بنقل المعرفة الاتحادي الهرمي (HFTL). بدلاً من فصل دراسي واحد ضخم، يقومون بتقسيم الطلاب إلى نوادٍ أصغر ومتخصصة بناءً على نوع المركبة. ولكن هنا تكمن اللمسة السحرية: هم لا يبدأون من الصفر، بل يستخدمون "توأماً رقمياً" — نسخة افتراضية من كل سيارة في السحابة — ليعمل كجسر.

كيف يعمل النظام: الرقصة ثلاثية الخطوات

1. النادي (التجميع/Clustering)
أولاً، يقوم النظام بفرز السيارات إلى نوادٍ. تنضم سيارة رياضية إلى "نادي السرعة"، بينما تنضم شاحنة القمامة إلى "نادي المهام الشاقة". هذا أمر بالغ الأهمية لأن نموذجاً تم تدريبه على بيانات سيارة رياضية سيكون عديم الفائدة لشاحنة قمامة. من خلال تجميع السيارات المتشابهة، يضمن النظام أن الجميع يتعلم دروساً ذات صلة.

2. خطة الدرس (نقل المعرفة/Transfer Learning)
بدلاً من جعل كل سيارة تتعلم من الصفر، ترسل السحابة نموذجاً "مدرباً مسبقاً" إلى كل نادٍ. فكر في الأمر كمعلم يوزع كتاباً مدرسياً مكتوب بالفعل بنسبة 90%. يحصل نادي السيارات الرياضية على كتاب عن الديناميكا الهوائية؛ ويحصل نادي الحافلات على كتاب عن سلامة الركاب. ثم تستخدم السيارات بياناتها الخاصة لـ "صقل" هذا الكتاب، وإضافة التفاصيل المحددة التي يعرفونها فقط (مثل حفرة معينة في طريقهم). هذا يوفر الكثير من الوقت وقوة الحوسبة.

3. نظام الشرف (البلوكشين والثقة)
ماذا لو حاولت سيارة التصرف بخبث عبر إرسال بيانات مزيفة لإفساد درس المجموعة؟ بنى المؤلفون "نظام سمعة" باستخدام تقنية البلوكشين. يحصل كل سيارة على درجة بناءً على مدى جودة بياناتها وكيفية قيادتها بأمان.

• بيانات جيدة = درجة عالية: إذا شاركت سيارة معلومات دقيقة وعالية الجودة، ترتفع سمعتها، وتزداد أهمية خطة درسها في الدرجة النهائية للمجموعة.
• بيانات سيئة = درجة منخفضة: إذا تصرفت سيارة بخبث أو أرسلت بيانات غير مفيدة، تنخفض درجتها. وإذا أصبحت الدرجة منخفضة جداً، يتم طردها من الفصل تماماً.
  يتم تسجيل هذه الدرجة على البلوكشين، وهو بمثابة دفتر ملاحظات رقمي لا يمكن لأحد مسحه أو تغييره، مما يضمن بقاء النظام صادقاً.

النتائج: أسرع، أذكى، وأكثر أماناً

أجرى الباحثون فكرتهم عبر محاكاة حاسوبية في 100 سيناريو مختلف، واختبروا كل شيء بدءاً من المجموعات الصغيرة وصولاً إلى شبكات تضم 500 مركبة. إليكم ما وجدوه:

• درجات أفضل: حقق نظام HFTL دقة قدرها 0.822 (82.2%)، متفوقاً على التعلم الاتحادي القياسي (72.1%) والتعلم المركزي القديم (70.8%).
• واجبات منزلية أسرع: أنهى النظام تدريبه في 1.02 ثانية فقط، بينما استغرقت الطريقة المركزية 2.03 ثانية.
• طاقة أقل: استخدم 8.30% فقط من موارد الحوسبة، مقارنة بـ 20.19% للطريقة المركزية. وهذا يعني أن أجهزة الكمبيوتر في السيارات لا تضطر للعمل بجهد كبير.
• القابلية للتوسع: حتى عندما أضافوا المزيد من السيارات (حتى 500)، حافظ النظام على أدائه الجيد، رغم أنه تطلب المزيد من حركة اتصالات التواصل لإبقاء الجميع في حالة تزامن.

العقبة: لا يزال مجرد محاكاة

بينما تبدو النتائج رائعة، يوضح المؤلفون بحذر أن هذا حالياً محاكاة، وليس نظاماً يعمل على الطرق الحقيقية بعد. وقد أشاروا إلى بعض التحديات التي قد تظهر في العالم الحقيقي:

• إنترنت غير مستقر: إذا كان الاتصال بين السيارة وتوأمها الرقمي مهزوزاً، فقد يتباطأ النظام بأكمله.
• الاختلاف الكبير: إذا كانت السيارات في المجموعة مختلفة جداً عن بعضها البعض، فقد لا يناسب "الدرس المدرب مسبقاً" الحالة جيداً.
• تكاليف الاتصال: نظرًا لأن النظام يرسل نماذج مدربة مسبقاً، فإنه يستخدم بيانات أكثر قليلاً للتواصل مقارنة بالطرق الأبسط، رغم أن المؤلفين يجادلون بأن مكاسب السرعة والدقة تستحق هذا القدر الإضافي من البيانات.

الخلاصة

تشير هذه الورقة إلى أنه من خلال تنظيم السيارات في نوادٍ ذكية، واستخدام التوائم الافتراضية لتوجيهها، والحفاظ على سجل شرف صادق باستخدام البلوكشين، يمكننا بناء نظام مرور يتعلم بشكل أسرع، ويرتكب أخطاء أقل، ويحترم الخصوصية. إنه يشبه تحويل فصل دراسي فوضوي إلى سلسلة من مجموعات الدراسة المركزة حيث يحصل الجميع على المساعدة المناسبة في الوقت المناسب. ورغم أنه ليس جاهزاً تماماً لتنقلاتك اليومية، إلا أنه خطوة واعدة نحو مستقبل لا تكون فيه سياراتنا مجرد مركبات، بل شبكة ذكية ومتعاونة.