في تطور مثير في عالم الذكاء الاصطناعي، تم تطوير نموذج جديد يُعرف بـ MxGPS (Multiplex Graph Transformers for Power Grid) الذي يعيد تشكيل الطريقة التي نتعامل بها مع مشكلات الشبكات الكهربائية. تشير الدراسات إلى أن نماذج الشبكات العصبية (GNNs) عادة ما تعاني من فشل منهجي عندما يتعلق الأمر بمعالجة بيانات الشبكات الكبرى بسبب تقنيات تعرف بـ 'التكيف الزائد للهياكل' (topology overfitting).

هذا يعني أن النماذج التي تتفوق تحت بيئات معينة قد تفشل بشكل كبير عند التعرض لهياكل جديدة، مما يؤثر سلبًا على دقة التخمينات. وجدت الأبحاث أن هذه النماذج تُستغل إشارة التدرجات الخاصة بالمهمة بطريقة تعزز الهيكلة التكميلية بدلاً من القبول بالعوامل الفيزيائية الأساسية للنموذج.

للتغلب على هذه العقبة، يقدم MxGPS حلًا مبتكرًا عبر التوظيف المشترك لنموذج حبكات متعددة، حيث يتم تدريب K من الفروع المتخصصة على تقدير الحالة الثابتة (SSE) وتدفق الطاقة المتناوب (AC Power Flow). هذه العملية تشمل بروتوكولات تدريب ذاتية الإشراف، مما يضمن أن النموذج يتعلم من مجموعة متنوعة من بيانات التدريب.

تظهر نتائج التجارب أن MxGPS لا تعاني من معدل انتهاك الحدود (BVR) في جميع النماذج الأربعة غير المرئية، مما يعكس كفاءته العالية في الأداء. بالإضافة إلى ذلك، على الرغم من أن النماذج التقليدية تعاني من انخفاض كبير في الأداء عندما تُعرض لتحولات هيكلية، فإن MxGPS تتمتع بانخفاض أقل بكثير في الأداء، مما يدل على أنه نموذج فعال للعموميات اللامتعلقة بالهيكلية في نماذج الشبكات الكهربائية. مع مواصفات لا تتجاوز 1.6 مليون من المعاملات، تُظهر هذه التقنية القدرة على تحسين الأداء في مجالات متعددة دون الحاجة إلى زيادة هائلة في التعقيد.