Adaptive Quantum-Inspired Swarm Learning (AQISL) for Energy-Efficient Cluster Head Selection in IoT Infrastructure
تقترح هذه الورقة خوارزمية التعلم السربي المستوحى من الكم التكيفي (AQISL) لتحسين اختيار رأس العنقود في شبكات إنترنت الأشياء واسعة النطاق، مما يقلل بفعالية من استهلاك الطاقة، وفقدان الحزم، وزمن انتقال الإرسال مع تعزيز توازن الحمل واستقرار الشبكة بشكل عام.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل مشهداً طبيعياً شاسعاً وصامتاً تتناثر فيه آلاف الأجهزة الصغيرة التي تعمل بالبطاريات. هذه هي مستشعرات إنترنت الأشياء، التي تراقب بهدوء كل شيء، من الرطوبة في دفيئة زراعية إلى السلامة الهيكلية لجسر ما. إنها العيون والآذان لعالم حديث، ومع ذلك فهي تواجه قيداً جوهرياً: فهي تعمل بطاقة محدودة. وبمجرد أن تنفد بطارياتها، تصبح صامتة، ويبدأ الشبكة التي تشكلها في الانهيار. في العديد من السيناريوهات الواقعية، مثل المراقبة البيئية عن بعد أو مناطق الكوارث، يكون استبدال هذه البطاريات أمراً مستحيلاً. لذا، لا يكمن التحدي في جعل هذه الأجهزة تتحدث مع بعضها البعض فحسب، بل في ضمان قيامها بذلك دون استنزاف طاقتها بسرعة كبيرة. ولحل هذه المشكلة، يقوم المهندسون غالباً بتجميع هذه الأجهزة في أحياء صغيرة تسمى عناقيد. وداخل كل حي، يتم اختيار جهاز واحد ليعمل كقائد، أو "رأس عنقود". يقوم هذا القائد بجمع المعلومات من جيرانه، ودمجها في رسالة واحدة، وإرسالها إلى محطة قاعدة مركزية. توفر هذه الطريقة الطاقة لأن الأجهزة العادية تحتاج فقط إلى الهمس ببياناتها لقائد قريب، بدلاً من الصراخ عبر الشبكة بأكملها للوصច إلى محطة القاعدة. ومع ذلك، فإن اختيار القائد المناسب هو لغز صعب. فإذا تم اختيار نفس الجهاز بشكل متكرر، فإنه يحترق بسرعة، مما يترك فجوة في الشبكة. وإذا تم اختيار الجهاز الخطأ، فقد تضيع الرسالة أو تستغرق وقتاً طويلاً للوصول.
قام الباحثون سي. بالا سوبرامانيان، وآر. رامكومار، وشانموغابريا إس. من أكاديمية كالاسالينجام للبحث والتعليم في الهند، باقتراح طريقة جديدة لحل هذا اللغز. فقد طوروا نظاماً يسمى "التعلم السربي المستوحى من الكم التكيفي" (AQISL)، المصمم لاختيار أفضل قائد لكل عنقود بذكاء في أي لحظة. يجمع نهجهم بين طريقتين متميزتين في حل المشكلات. تعتمد الطريقة الأولى على مبادئ ميكانيكا الكم، ليس لبناء حاسوب كمي، بل لاستخدام أسلوب رياضي يسمح بوجود احتمالات عديدة في وقت واحد. يساعد هذا النظام على استكشاف نطاق واس من الحلول المحتملة دون التوقف عند خيار واحد غير مثالي. أما الجزء الثاني فيحاكي سلوك السرب، مثل سرب من الطيور أو مستعمرة من النمل، حيث يتعلم الأفراد من تجاربهم الخاصة ومن النجاح الجماعي للمجموعة. ومن خلال دمج هاتين الفكرتين، يمكن للخوارزمية التكيف مع الظروف المتغيرة في الوقت الفعلي، مثل انخفاض بطارية جهاز ما أو تغير هيكلية الشبكة.
اختبر الباحثون فكرتهم باستخدام محاكاة حاسوبية لنمذجة شبكة كبيرة من عقد الاستشعار المنتشرة عبر منطقة مربعة. في هذه البيئة الافتراضية، تواصلت الأجهزة، واستهلكت الطاقة، وفقدت وظيفتها تماماً كما قد يحدث في العالم الحقيقي. قارن الفريق طريقة AQISL الجديدة بعدة تقنيات راسخة، بما في ذلك طرق الاختيار العشوائي القديمة وخوارزميات التحسين المتقدمة الأخرى. أظهرت النتائج ميزة واضحة للنهج الجديد. في عمليات المحاكاة، استمرت الشبكة التي تستخدم AQISL لفترة أطول بكثير من تلك التي تستخدم الطرق التقليدية. وتحديداً، نجا أول جهاز في شبكة AQISL لمدة 890 جولة من الاتصالات، بينما مات أول جهاز في شبكة LEACH القياسية بعد 520 جولة فقط. وعندما نفدت الطاقة من نصف الأجهزة في الشبكة، وصلت منظومة AQISL إلى 1,320 جولة، مقارنة بـ 780 جولة للطريقة القياسية. يشير هذا العمر الممتد إلى أن الخوارزمية أفضل بكثير في توزيع عبء العمل، مما يضمن عدم إرهاق جهاز واحد بينما تظل أجهزة أخرى خاملة.
وبعيداً عن مجرد الحفاظ على حياة الشبكة، حسنت الطريقة الجديدة جودة الاتصال نفسه. أشارت عمليات المحاكاة إلى أن نظام AQISL قلل من عدد الرسائل المفقودة إلى 7.9 بالمائة، وهو تحسن كبير مقارنة بمعدل الفقد البالغ 18.5 بالمائة الذي لوحظ في طريقة LEACH القياسية. كما انخفض الوقت الذي تستغرقه البيانات للانتقال من المستشعر إلى محطة القاعدة، والمعروف بالتأخير، إلى متوسط 102 مللي ثانية، وهو أسرع من الـ 160 مللي ثانية المسجلة للطرق الرائدة الأخرى. وانخفضت الطاقة المستهلكة من الشبكة في كل جولة من جولات الاتصال إلى 0.52 جول، وهو رقم أقل من الـ 0.74 جول التي تتطلبها الخوارزميات المتطورة الأخرى. ولعل الأهم من ذلك هو أن النظام حافظ على درجة عالية من التوازن؛ حيث قاس الباحثون "مؤشر توازن الحمل" بـ 0.91 لطريقتهم، مما يشير إلى أن استنزاف الطاقة كان موزعاً بشكل متساوٍ للغاية عبر الشبكة، مما منع تكون "ثقوب الطاقة" حيث تترك مجموعات الأجهزة الميتة الشبكة فاقدة للبصر.
تشير الدراسة إلى أن هذا النهج الهجين يقدم حلاً قولاً لمستقبل شبكات الاستشعار واسعة النطاق. وبينما تطلبت الطريقة إرسال بيانات تحكم أكثر قليلاً بين الأجهزة لتنسيق عملية الاختيار، إلا أن المقايضة كانت تستحق العناء لما حققته من مكاسب في الاستقرار والكفاءة. ويشير الباحثون إلى أن قدرة الخوارزمية على التكيف مع الظروف الديناميكية تجعلها مناسبة بشكل خاص للبيئات التي قد تتحرك فيها الأجهزة أو تتعرض للفشل بشكل غير متوقع. ومن خلال محاكاة هذه التفاعلات المعقدة، أثبت الفريق أنه من الممكن إنشاء شبكة ليست أطول عمراً فحسب، بل أيضاً أكثر موثوقية وكفاءة. وتشير النتائج إلى مستقبل يمكن فيه لإنترنت الأشياء أن يعمل بشكل أكثر استقلالية، ويدير موارده الخاصة بمستوى من الذكاء يحاكي الحكمة الجماعية للطبيعة، مما يضمن استمرار عمل الشبكة الواسعة من الأجهزة المتصلة لفترة طويلة بعد أن تفشل بطارياتها الأولية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.