في عالم التكنولوجيا الحديثة، تعد شبكات السيارات الحضرية (VANETs) من الأمور الحيوية لتسهيل حركة المرور وتبادل المعلومات. لكن هذه الشبكات تواجه تحديات كبيرة، حيث يؤدي وجود المباني إلى إعاقة الروابط اللاسلكية وتغير حركة المركبات إلى تغيير مستمر في البنية التحتية للشبكة. هنا يأتي دور الطائرات بدون طيار (UAVs) كوسيلة للتغلب على هذه التحديات من خلال العمل كوسائل نقل متحركة.

لكن، كيف يمكن تحسين فعالية استخدام الطائرات بدون طيار في عمليات الشبكات؟ هنا تظهر الابتكارات الجديدة في مجال ذكاء الأعمال، خاصة استخدام التعلم العميق المعزز (DRL).

تقدم الدراسة الحديثة طريقة جديدة تسمي بـ Semantic-Augmented DRL (SA-DRL)، والتي تهدف إلى نمذجة التفكك الشبكي عبر بنية الطريق. تعتمد هذه الطريقة على نموذج لغوي ضخم (LLM) مُدرب مسبقًا لتوليد أولويات عمل تتعلق بالبنية التحتية من حالات الحركة الديناميكية.

تجمع خوارزمية SA-PPO، وهي جزء من طريقة SA-DRL، بين هذه الأولويات مع سياسة PPO التقليدية عبر تقنيات خاصة، مما يساعد في توجيه الاستكشاف نحو التقاطعات الواعدة. ويظهر البحث أن هذه الطريقة الجديدة تمكنت من تحقيق نتائج رائعة، حيث قدرت على مضاعفة الأداء من خلال استخدام أقل من ثلث التدريب المطلوب في الطرق التقليدية.

بالإضافة إلى ذلك، توفر النتائج تحسنًا ملحوظًا في عدد المركبات المتصلة وحجم المكونات المتصلة بنسبة 7.9% و8.7% على التوالي، بينما نجحت في تقليل استهلاك الطاقة للطائرات بدون طيار بنسبة 21.3%.

هذه النتائج تشير إلى آفاق مثيرة للتطبيقات المستقبلية في مجال شبكات النقل الذكية، مما يعزز من إمكانية الاستخدام الفعال للذكاء الاصطناعي وتحسين تجربة التنقل الحضرية.