حد جزائي واحد قد يعالج نقطة العمى الأمنية في التعلم الموحّد للشبكات الكهربائية

مشكلة لا تظهر إلا بعد النشر

أنظمة تخزين البطاريات المنسقة بين عدة مزارع لا تفشل بأمان تلقائيًا، وهذه هي الفرضية التي تنطلق منها ورقة بحثية جديدة نُشرت على منصة "آركايف" (arXiv) بمعرّف 2607.12763 بتاريخ 14 يوليو 2026. تضع الورقة إصبعها على ثغرة محددة في خوارزمية "المتوسط الموحّد" (FedAvg)، وهي الأداة الأساسية المستخدمة في نشر أنظمة التعلم الموحّد (Federated Learning): تعمل هذه الخوارزمية على تحسين الأداء المتوسط فقط، دون أي وعي بالقيود على مستوى النظام ككل، مثل سقف السعة المشتركة للشبكة الكهربائية التي تسحب منها عدة مواقع في الوقت نفسه.

تتضح خطورة هذه الثغرة في السياقات التي يتعلم فيها كل عميل (Agent) بشكل محلي، بينما يظل ملزمًا بقيد لا يتحكم فيه بمفرده بشكل كامل. هنا تحديدًا تجلس المزارع التي تدير تخزين البطاريات في ظل طلب غير مؤكد. صُمم التعلم المعزز الموحّد (Federated Reinforcement Learning - FedRL) أساسًا للسماح لهذه العملاء بالتنسيق فيما بينها دون كشف بياناتها المحلية الخام لخادم مركزي، بما يحافظ على الخصوصية مع تمكين التعلم المشترك. لكن الباحثين يوضحون أن هذا التصميم الحافظ للخصوصية، عند دمجه مع طريقة تجميع بسيطة (Naive Aggregation)، قد يفرز سياسة عامة (Global Policy) تبدو جيدة على الورق، لكنها تتصرف بشكل غير آمن بعد النشر الفعلي، لأن أي عميل بمفرده لا يمتلك رؤية شاملة لحدود السعة المشتركة.

الحل: ترجيح الأداء مطروحًا منه المخالفة

يقترح الباحثون قاعدة بديلة تستبدل الترجيح المتساوي أو القائم فقط على المكافأة بقاعدة جزائية معدّلة: w_i ∝ R_i - α V_i. ببساطة، تُقاس مساهمة كل عميل في النموذج العام (Global Model) بناءً على مكافأته المحلية R_i، مخصومًا منها معامل α مضروبًا في مخالفته التقديرية للقيود V_i. النتيجة العملية: العملاء الذين يحققون أداءً جيدًا لكنهم يدفعون النظام نحو منطقة غير آمنة يُخفَّض وزنهم، بينما يحصل العملاء الذين يوازنون بين الأداء والامتثال للقيود على تأثير أكبر في السياسة المجمّعة.

لاختبار هذه الفكرة، طوّر الفريق بيئة اختبار (Benchmark) أسموها "دايري غريد إنف" (DairyGridEnv)، تحاكي عدة مزارع تنسّق تخزين بطارياتها في ظل طلب عشوائي (Stochastic Demand) وسقف سعة مشترك للشبكة، وهو سيناريو اختير عمدًا لأنه يفرض توترًا مباشرًا بين التحسين المحلي والسلامة على مستوى النظام. ولم يتوقف الفريق عند المحاكاة الاصطناعية، بل اختبر الطريقة على بيانات طلب حقيقية مستمدة من فنلندا ومجموعة بيانات "FIELD" الألمانية، للتحقق من أن المكاسب لا تتبخر خارج البيئة المثالية للمحاكاة.

النتائج: لماذا يهم هذا التوازن

في كل من الظروف الاصطناعية والواقعية، خفّضت طريقة التجميع الجزائي مخالفات القيود بشكل ملحوظ مقارنة بـ FedAvg، مع تحسين المكافأة الإجمالية في الوقت نفسه. هذا الجمع بين الأمرين لافت، لأن السلامة والأداء غالبًا ما يتنازعان في مشكلات التحسين المقيّد (Constrained Optimization). تحرك المؤشرين في الاتجاه نفسه يشير إلى أن الحد الجزائي لا يكبح السلوك الخطر على حساب الفعالية، بل يوجّه السياسة العامة نحو حلول أكثر أمانًا وأداءً في الوقت ذاته.

الورقة، المصنّفة تحت تصنيفي التعلم الآلي (cs.LG) والذكاء الاصطناعي (cs.AI) على "آركايف"، تصدر في وقت يتزايد فيه التعامل مع تنسيق موارد الطاقة الموزعة، من البطاريات المنزلية إلى الشبكات الصغيرة الزراعية، بوصفه مشكلة تعلم موحّد بالأساس. وإذا ثبتت قابلية تعميم هذا النهج الواعي بالقيود خارج نطاق مزارع الألبان وتخزين البطاريات، فقد يعيد تشكيل طريقة بناء أنظمة FedRL في أي بيئة تتقاسم فيها عملاء مستقلون موردًا محدودًا وصارم الحدود.