جدولة مرنة للاحتياجات الطاقية: نهج جديد في التعلم الفيدرالي بالمركبات المتصلة

في ظل التطورات السريعة في تكنولوجيا الذكاء الاصطناعي، برز استخدام التعلم الفيدرالي (Federated Learning) كأحد الأساليب الواعدة لتكييف نماذج الذكاء الاصطناعي مع المهام المختلفة في البيئات المتصلة. يعد نظام إنترنت المركبات (Internet of Vehicles - IoV) من أبرز الاستخدامات لهذه التقنية، كونه يتيح تفاعل المركبات بطريقة أكثر ذكاءً وتوافقاً.

ومع ذلك، يواجه هذا النظام تحديات عدة، من بينها تنقل العملاء (mobility) وتنويع الموارد (heterogeneous resources) والاتصال المتقطع. لتجاوز هذه التحديات، تم اقتراح إطار عمل جديد للتعلم الفيدرالي ينسق بين وحدات الطريق (Roadside Units - RSUs) والمركبات، مما يعزز التعلم المرن والقادر على التكيف مع الظروف الديناميكية.

باستخدام تقنية التكيف منخفض الرتبة (Low-Rank Adaptation - LoRA)، تم تقديم آلية جدولة طاقة لامركزية تأخذ في الاعتبار موارد الطاقة لدى كل عميل، ولقد تم صياغتها كمشكلة متعددة الأذرع المقيدة (constrained multi-armed bandit problem). لتسهيل الاستكشاف التكيفي، تم تطوير خوارزمية جديدة تُعرف بـ UCB-DUAL توافق استراتيجيات التعليم وفقاً لميزانيات الطاقة لكل مهمة، مما يؤدي إلى تقليل الخسائر في الأداء.

لتقييم فعالية الطريقة المقترحة، تم إنشاء محاكي IoV واسع النطاق يعتمد على المسارات الحقيقية، وهو ما يلتقط التفاعل الديناميكي، والتحويلات بين وحدات الطريق، وتغيرات الاتصال. أظهرت التجارب المكثفة أن هذا الأسلوب محققاً أفضل توازن بين الدقة والكفاءة مقارنة بكافة المعايير المستخدمة، حيث سجلت النتائج تقليلاً في زمن الاستجابة بنسبة تجاوزت 24% وتحسيناً في دقة الأداء بمعدل يزيد عن 2.5%.

ما رأيكم في هذا التطور؟ هل تعتقدون أن هذا سيكون له تأثير كبير على مستقبل المركبات المتصلة؟ شاركونا في التعليقات!