تتطلب بيئات الطيران الحديثة التي تعتمد على الطائرات بدون طيار (Uncrewed Aerial Vehicles - UAVs) تصميمًا متفوقًا لضمان التنسيق الفعال بين الحركيات الجوية السريعة وتسليم الشبكة بين الأنظمة الأرضية وغير الأرضية (Integrated Terrestrial and Non-Terrestrial Networks - ITNTNs).

على الرغم من أن تقنيات التعلم العميق المعزز (Deep Reinforcement Learning - DRL) تقدم تحكمًا تكتيكيًا سريعًا، إلا أنها تفتقر إلى الاستدلال الاستراتيجي في الوقت الحقيقي، مما يجعلها غير قادرة على التكيف مع التغييرات السريعة في بيئات الطيران المعقدة. في المقابل، تتمتع النماذج اللغوية الكبيرة (Large Language Models - LLMs) بمهارات استدلال دلالي مؤثرة، ولكن تعاني من مماطلة في الاستدلال، مما يجعلها غير ملائمة للتحكم الديناميكي في الطيران.

من أجل سد هذه الفجوة، تتبنى الدراسة إطار عمل جديد يعتمد على نماذج LLM الهرمية، حيث يتم نشر نموذج LLM كبير على منصة عالية الارتفاع (High-Altitude Platform Station - HAPS) لتنسيق التحميل العالمي على مدى زمني بطيء. في الوقت نفسه، تستخدم الطائرات بدون طيار نماذج LLM خفيفة الوزن لتحويل الملاحظات المحلية إلى أهداف تكتيكية فرعية، مما يتيح لجهاز التحكم DRL تنفيذ مسارات آمنة وخالية من التصادم.

أظهرت النتائج التجريبية أن هذه المعمارية الجديدة تقلل بشكل كبير من معدلات التصادم وتزيد من إنتاجية النظام مقارنةً بالأساليب التقليدية. إن هذا التقدم يمثل خطوة هامة نحو المستقبل حيث يُتوقع أن تلعب الطائرات بدون طيار دورًا محوريًا في مجالات متعددة مثل النقل الجوي والتطبيقات التجارية.