لا يمكن لنماذج اللغة الكبيرة (LLM) حل مشكلة القيود الصلبة في تحسين شبكة الكهرباء، وشرح البحث الجديد السبب

العنوان

لا تستطيع LLM التعامل مع مشكلة التدفق الأمثل، بحث جديد يفسر لماذا

الملخص

اختبر فريق من جامعة لوكسمبورغ والمعهد الصحي في لوكسمبورغ أداء LLM بأطر وأحجام مختلفة في مهمة التدفق الأمثل (OPF). الاكتشافات الرئيسية:

• كانت نسبة تلبية القيود تتراوح دائمًا بين 55-60%، وزيادة حجم النموذج لم تفد؛
• كانت المشكلة الرئيسية في معادلات التدفق، في حين أن القيود البسيطة مثل مولدات الطاقة وحدود الجهد كانت مقبولة؛
• تأثير الضبط الدقيق محدود: SFT تعمل بشكل أساسي على جعل تنسيق المخرجات أكثر انتظاماً، وMSE أقل، ولكن ليس لها تأثير كبير على القابلية الفيزيائية؛ RL كان له بعض الفائدة في سيناريوهات بسيطة مثل 30-bus، لكنه لم ينجح في السيناريوهات المعقدة؛
• هل ترغب في استخدام LLM العامة لتشغيل البنية التحتية الأساسية الحيوية مباشرة؟ هذه الدراسة تذكير واقعي.

التحليل

استخدم فريق البحث بيانات شبكة الكهرباء القريبة من التطبيقات الهندسية الفعلية، ولم يسمح للنموذج بالاستعانة بحل عددي خارجي، لمعرفة ما إذا كان LLM يمكنه تلبية القيود الفيزيائية بمفرده. كانت النتيجة أن معدل تلبية القيود 55-60% كان متشابهًا بين النماذج المختلفة، والاستنتاج كان ثابتًا إلى حد كبير.

ما فائدة الضبط الدقيق:

• SFT: المخرجات أكثر انتظامًا وMSE أقل، ولكن تأثيرها على تلبية القيود الفيزيائية محدود؛
• RL: شهدت تحسينًا طفيفًا في السيناريوهات البسيطة، ولكنها لم تكن مفيدة في السيناريوهات المعقدة.

السبب الجذري للفشل: يبدو أن النموذج أكثر ميلًا لتوليد “أشياء تبدو كإجابات” بدلاً من القيام بالتحسين تحت قيود القوانين الفيزيائية. وهذا مشابه لما رأيناه في مهام ARC-AGI وSATBench حيث تتطلب تلبية القيود الصارمة: زيادة حجم النموذج لا تعني بالضرورة القدرة على تلبية القيود.

حالة تلبية أنواع القيود المختلفة (استنادًا إلى الجدول في الصفحة 12 من البحث):

الاستنتاج: لا يمكن لـ LLM العامة معالجة مهام تحسين الفيزياء ذات القيود القوية مثل OPF بمفردها، بل يجب استخدامها مع الاستدلال الرمزي أو محركات الفيزياء أو الحلول العددية.

تقييم التأثير

• الأهمية: عالية (لها قيمة مرجعية في أي أنظمة هندسية أو مالية تتعلق بالقيود القوية والقدرة الفيزيائية)
• الفئة: أبحاث الذكاء الاصطناعي، رؤى تقنية، اتجاهات صناعية
• التطبيقات العملية:
  • البنية التحتية الحيوية مثل الطاقة الكهربائية: LLM العامة أكثر ملاءمة كواجهة وطبقة تنسيق، لكن الحسابات الأساسية لا تزال تحتاج إلى الاعتماد على المحللات الخارجية والنماذج الفيزيائية؛
  • في مجالات مثل المالية ذات القيود عالية المخاطر: استخدام LLM كبديل لمحركات التحسين أو محركات الامتثال يعتبر مخاطرة كبيرة، والنظم المختلطة أكثر موثوقية.

الاستنتاج: ليس له علاقة كبيرة بسوق التشفير؛ له قيمة مرجعية لفرق البنية التحتية والبحث التي تعمل على حلول مختلطة بين الذكاء الاصطناعي ومحركات الحلول الفيزيائية؛ لا يوجد شيء يمكن للمتداولين والمستثمرين على المدى الطويل القيام به حاليًا؛ يمكن لصناديق الاستثمار التي تركز على بنية الذكاء الاصطناعي أن تراقب، لكن لا تتوقع أن تحل LLM العامة مشاكل القيود القوية مباشرة.