कल्पना कीजिए कि एक ऐसी दुनिया जहाँ सड़क पर हर कार एक स्मार्ट, बात करने वाला रोबोट है, जो ट्रैफिक जाम, गड्ढों और मौसम के बारे में लगातार राज साझा करती रहती है ताकि सभी सुरक्षित रह सकें। यह "व्हीकुलर नेटवर्क्स" (Vehicular Networks) का सपना है, जो एक हाई-टेक खेल का मैदान है जहाँ कारें एक-दूसरे से और क्लाउड से बात करती हैं ताकि हमारी यात्रा को सुगम बनाया जा सके। लेकिन इसमें एक पेंच है: कारें गोपनीयता के प्रति सचेत होती हैं। वे अपने निजी ड्राइविंग लॉग किसी विशाल केंद्रीय कंप्यूटर को नहीं देना चाहतीं, और वे सभी एक ही नियमों पर सहमत नहीं हो सकते क्योंकि एक तेज़ रफ्तार स्पोर्ट्स कार अलग तरह से सीखती है जबकि एक धीमी गति वाली डिलीवरी ट्रक अलग तरह से। यहीं पर "फेडरेटेड लर्निंग" (Federated Learning) काम आती है—एक चतुर तकनीक जहाँ कारें बिना अपना होमवर्क शिक्षक को दिखाए मिलकर सीखती हैं। हालाँकि, यह तकनीक भी संघर्ष करती है जब कारें एक-दूसरे से बहुत अलग होती हैं या जब उनमें से कुछ निष्क्रिय होती हैं या दुर्भावनापूर्ण व्यवहार करने की कोशिश करती हैं।

जॉर्जिया स्टेट यूनिवर्सिटी और पेन स्टेट बर्क्स के शोधकर्ता इस अव्यवस्थित क्लासरूम समस्या को "डिजिटल ट्विन" (Digital Twin) सिस्टम के भीतर "हाइरार्किकल फेडरेटेड ट्रांसफर लर्निंग" (HFTL) नामक एक नए विचार के साथ हल करने की कोशिश कर रहे हैं। एक डिजिटल ट्विन को क्लाउड में वास्तविक कार के एक पूर्ण, आभासी भूत (virtual ghost) के रूप में समझें, जो वास्तविक समय में उसकी हर हरकत को दर्शाता है। लेखक एक ऐसा सिस्टम प्रस्तावित करते हैं जहाँ ये आभासी भूत उनके प्रकार के आधार पर (जैसे कि "स्पोर्ट्स कार क्लब" या "बस ब्रिगेड") व्यवस्थित समूहों में खुद को संगठित करते हैं। बजाय इसके कि हर कोई एक ही सबक एक साथ सीखे, सिस्टम प्रत्येक समूह को उनकी विशिष्ट आवश्यकताओं के अनुकूल एक पहले से ट्यून किया गया लेसन प्लान देता है, और फिर उन्हें अपने स्थानीय डेटा के साथ इसे फाइन-ट्यून करने देता है। सिस्टम को ईमानदार बनाए रखने के लिए, वे एक डिजिटल लेज़र (ब्लॉकचेन) का उपयोग करते हैं जो अच्छा डेटा साझा करने वाली कारों को "प्रतिष्ठा अंक" (reputation points) देता है और उन कारों को बाहर निकाल देता है जो दुर्भावनापूर्ण कार्य करने का प्रयास करती हैं।

यह पेपर सुझाव देता है कि यह नया, व्यवस्थित दृष्टिकोण कारों को सिखाने के पुराने, अराजक तरीकों से बेहतर काम करता है। अपने सिमुलेशन में, लेखकों ने पाया कि उनके HFTL मेथड ने 0.822 (या 82.2%) की मॉडल सटीकता हासिल की, जो पारंपरिक सेंट्रलाइज्ड लर्निंग द्वारा प्राप्त 0.708 (70.8%) और मानक फेडरेटेड लर्निंग के 0.721 (72.1%) से अधिक है। इसने तेजी से भी सीखा, प्रशिक्षण में केवल 1.02 सेकंड का समय लिया, जबकि सेंट्रलाइज्ड मेथड के लिए यह 2.03 सेकंड था, और इसने काफी कम कंप्यूटिंग संसाधनों का उपयोग किया, जिससे खपत 20.19% से घटकर 8.30% रह गई। हालांकि इस सिस्टम को उन प्री-ट्यून किए गए लेसन प्लान को भेजने के लिए थोड़ा अधिक संचार ट्रैफ़िक की आवश्यकता थी, लेकिन गति और सटीकता के लाभों के लिए यह समझौता सार्थक था। शोधकर्ताओं ने इसका परीक्षण 500 वाहनों तक के 100 अलग-अलग सिम्युलेटेड परिदृश्यों पर किया, जिससे यह दिखाया कि जैसे-जैसे नेटवर्क बढ़ा, उनका तरीका सटीक बना रहा और अन्य तरीकों की तुलना में बहुत तेज़ी से 90% सटीकता तक पहुँच गया। हालाँकि, वे स्वीकार करते हैं कि वास्तविक दुनिया में, अस्थिर इंटरनेट कनेक्शन या अपने पड़ोसियों से बहुत अलग कारों जैसी चीजें अभी भी बाधा उत्पन्न कर सकती हैं, इसलिए यह एक आशाजनक सिमुलेशन है न कि एक तैयार, सड़क पर चलने वाला उत्पाद।

मुख्य विचार: कारों के लिए एक आभासी कक्षा

कल्पना कीजिए कि आप एक विशाल स्कूल के प्रिंसिपल हैं जहाँ हर छात्र एक कार है। कुछ छात्र रेस कारें हैं, कुछ स्कूल बसें हैं, और कुछ डिलीवरी ट्रक हैं। पुराने दिनों में, प्रिंसिपल (सेंट्रल क्लाउड सर्वर) सभी को एक ही समय में बिल्कुल एक जैसा सबक सिखाने की कोशिश करता था। लेकिन एक रेस कार को यह सीखने की ज़रूरत नहीं है कि 50 बच्चों को कैसे ढोया जाए, और एक बस को यह सीखने की ज़रूरत नहीं है कि कोनों पर कैसे ड्रिफ्ट किया जाए। यह "एक ही आकार सबके लिए" (one-size-fits-all) वाला दृष्टिकोण धीमा, भ्रमित करने वाला और अक्सर खराब ग्रेड का कारण बनता था।

इस पेपर के लेखक एक स्मार्ट तरीका सुझाते हैं: हाइरार्किकल फेडरेटेड ट्रांसफर लर्निंग (HFTL)। एक विशाल क्लास के बजाय, वे छात्रों को उनके वाहन के प्रकार के आधार पर छोटे, विशिष्ट क्लबों में विभाजित करते हैं। लेकिन यहाँ एक जादुई मोड़ है: वे शून्य से शुरुआत नहीं करते हैं। वे एक "डिजिटल ट्विन" का उपयोग करते हैं—क्लाउड में प्रत्येक कार की एक आभासी प्रति—जो एक सेतु के रूप में कार्य करती है।

सिस्टम कैसे काम करता है: तीन-चरणीय नृत्य

1. द क्लबहाउस (क्लस्टरिंग)
सबसे पहले, सिस्टम कारों को क्लबों में वर्गीकृत करता है। एक स्पोर्ट्स कार "स्पीड क्लब" में शामिल होती है, जबकि एक कचरा उठाने वाली गाड़ी "हेवी ड्यूटी क्लब" में शामिल होती है। यह महत्वपूर्ण है क्योंकि स्पोर्ट्स कार के डेटा पर प्रशिक्षित मॉडल कचरा उठाने वाली गाड़ी के लिए बेकार है। समान कारों को समूहित करके, सिस्टम यह सुनिश्चित करता है कि हर कोई प्रासंगिक सबक सीख रहा है।

2. द लेसन प्लान (ट्रांसफर लर्निंग)
हर कार को शून्य से सीखने के बजाय, क्लाउड प्रत्येक क्लब को एक "प्री-ट्रेन्ड" मॉडल भेजता है। इसे एक ऐसे शिक्षक के रूप में समझें जो पहले से 90% लिखा हुआ टेक्स्टबुक बांट रहा है। स्पोर्ट्स कार क्लब को एरोडायनामिक्स के बारे में एक किताब मिलती है; बस क्लब को यात्री सुरक्षा के बारे में एक किताब मिलती है। कारें फिर इस किताब को "फाइन-ट्यून" करने के लिए अपने निजी डेटा का उपयोग करती हैं, इसमें वे विशिष्ट विवरण जोड़ती हैं जो केवल वे जानती हैं (जैसे उनके रूट पर एक विशिष्ट गड्ढा)। इससे बहुत सारा समय और कंप्यूटिंग पावर बचता है।

3. द ऑनर सिस्टम (ब्लॉकचेन और विश्वास)
क्या होगा यदि कोई कार समूह के लेसन को बिगाड़ने के लिए फर्जी डेटा भेजकर दुर्भावनापूर्ण कार्य करने की कोशिश करती है? लेखकों ने ब्लॉकचेन तकनीक का उपयोग करके एक "प्रतिष्ठा प्रणाली" बनाई है। प्रत्येक कार को उसके डेटा की गुणवत्ता और उसके सुरक्षित ड्राइविंग के आधार पर एक स्कोर मिलता है।

• अच्छा डेटा = उच्च स्कोर: यदि एक कार सटीक, उच्च-गुणवत्ता वाली जानकारी साझा करती है, तो उसकी प्रतिष्ठा बढ़ती है, और अंतिम समूह ग्रेड में उसके लेसन प्लान का वजन बढ़ जाता है।
• बुरा डेटा = कम स्कोर: यदि कोई कार दुर्भावनापूर्ण कार्य करती है या जंक डेटा भेजती है, तो उसका स्कोर गिर जाता है। यदि यह बहुत कम हो जाता है, तो उसे क्लास से पूरी तरह बाहर कर दिया जाता है।
  यह स्कोर एक ब्लॉकचेन पर रिकॉर्ड किया जाता है, जो एक डिजिटल नोटबुक की तरह है जिसे कोई मिटा या बदल नहीं सकता, जिससे यह सुनिश्चित होता है कि सिस्टम ईमानदार बना रहे।

परिणाम: तेज़, स्मार्ट और सुरक्षित

शोधकर्ताओं ने अपने विचार को 100 अलग-अलग परिदृश्यों के माध्यम से एक कंप्यूटर सिमुलेशन में चलाया, जिसमें छोटे समूहों से लेकर 500 वाहनों तक के नेटवर्क का परीक्षण किया गया। यहाँ उन्होंने क्या पाया:

• बेहतर ग्रेड: HFTL सिस्टम ने 0.822 (82.2%) की सटीकता हासिल की, जो मानक फेडरेटेड लर्निंग (72.1%) और पुराने ज़माने की सेंट्रलाइज्ड लर्निंग (70.8%) को पीछे छोड़ देती है।
• तेज़ होमवर्क: सिस्टम ने अपने प्रशिक्षण को मात्र 1.02 सेकंड में पूरा कर लिया, जबकि सेंट्रलाइज्ड मेथड में 2.03 सेकंड लगे।
• कम ऊर्जा: इसने सेंट्रलाइज्ड मेथड के 20.19% की तुलना में केवल 8.30% कंप्यूटिंग संसाधनों का उपयोग किया। इसका मतलब है कि कारों के कंप्यूटरों को उतनी मेहनत नहीं करनी पड़ती।
• स्केलेबिलिटी: यहाँ तक कि जब उन्होंने अधिक कारें जोड़ीं (500 तक), तब भी सिस्टम अच्छा प्रदर्शन करता रहा, हालांकि सबको तालमेल में रखने के लिए इसे थोड़े अधिक संचार ट्रैफ़िक की आवश्यकता थी।

पेच: यह अभी भी एक सिमुलेशन है

हालाँकि परिणाम शानदार दिखते हैं, लेकिन लेखक सावधानी बरतते हुए कहते हैं कि यह वर्तमान में एक सिमुलेशन है, न कि वास्तविक सड़कों पर चलने वाला सिस्टम। वे कुछ चुनौतियों की ओर इशारा करते हैं जो वास्तविक दुनिया में आ सकती हैं:

• अस्थिर इंटरनेट: यदि कार और उसके डिजिटल ट्विन के बीच कनेक्शन कमजोर है, तो पूरा सिस्टम धीमा हो सकता है।
• बहुत अधिक अंतर: यदि एक समूह में कारें आपस में बहुत अलग हैं, तो "प्री-ट्रेन्ड" लेसन ठीक से फिट नहीं हो पाएगा।
• संचार लागत: क्योंकि सिस्टम प्री-ट्रेन्ड मॉडल को चारों ओर भेजता है, इसलिए यह सरल तरीकों की तुलना में बात करने के लिए थोड़े अधिक डेटा का उपयोग करता है, हालांकि लेखक तर्क देते हैं कि गति और सटीकता के लाभ इस अतिरिक्त बातचीत के लायक हैं।

निष्कर्ष

यह पेपर सुझाव देता है कि कारों को स्मार्ट क्लबों में व्यवस्थित करके, वर्चुअल ट्विन्स का उपयोग करके, और ब्लॉकचेन के साथ एक ईमानदार स्कोरकार्ड रखकर, हम एक ऐसा ट्रैफिक सिस्टम बना सकते हैं जो तेज़ी से सीखता है, कम गलतियाँ करता है और गोपनीयता का सम्मान करता है। यह एक अराजक क्लासरूम को केंद्रित अध्ययन समूहों की एक श्रृंखला में बदलने जैसा है जहाँ हर किसी को सही समय पर सही मदद मिलती है। हालाँकि यह अभी आपके दैनिक आवागमन के लिए तैयार नहीं है, लेकिन यह एक ऐसे भविष्य की ओर एक आशाजनक कदम है जहाँ हमारी कारें केवल वाहन नहीं, बल्कि एक स्मार्ट, सहकारी नेटवर्क होंगी।