Microsoft Research GridSFM: foundation model rješava AC optimal power flow 100× brže od DC aproksimacije
GridSFM je novi Microsoft Research small foundation model za elektroenergetske mreže objavljen 13. svibnja 2026. Aproksimira AC optimal power flow u milisekundama na mrežama od 500 do 80.000 čvorova, 100× brže od DC aproksimacije i 1.000× brže od full AC solvera. Median cost gap je 2,23%, feasibility detekcija postiže 94,5%/96,1%, a model donosi potencijalne uštede od $20 milijardi godišnje u congestion troškovima.
Ovaj članak generiran je uz pomoć umjetne inteligencije na temelju primarnih izvora.
Microsoft Research je 13. svibnja 2026. predstavio GridSFM — small foundation model koji rješava jedan od najskupljih klasičnih operativnih problema elektroenergetskog sektora. Model aproksimira AC optimal power flow (AC-OPF) u milisekundama na mrežama do 80.000 čvorova i identificira potencijalne uštede od $20 milijardi godišnje u congestion troškovima.
Što GridSFM konkretno radi?
AC-OPF je optimizacijski problem koji određuje najekonomičniji način proizvodnje i distribucije električne energije uz poštivanje fizikalnih ograničenja (Kirchhoff-ovi zakoni, naponski limiti) i operativnih ograničenja (generator kapaciteti, ramping). GridSFM aproksimira optimum u milisekundama za mreže od 500 do 80.000 čvorova — što ga čini upotrebljivim za real-time dispatch, dok klasični solveri zahtijevaju minute.
Koliko je model brži i koliko precizan?
Brzina: 100× brže od DC aproksimacije i 1.000× brže od full AC solvera na inferenciji. Cijena za brzinu je nešto veći cost gap — median 2,23%, mean 3,41% vs. tradicionalna solver rješenja. Feasibility detekcija postiže 94,5% na feasible scenarijima i 96,1% na infeasible-ima. Warm-start scenarij donosi 1,66× geometric mean ubrzanje preko cold-start solving-a.
Koju ekonomsku vrijednost identificira?
Microsoft Research procjenjuje uštede do $20 milijardi godišnje u congestion troškovima SAD elektroenergetske mreže, plus adresiranje 3,4 TWh renewable curtailment-a (izgubljena obnovljiva proizvodnja zbog grid ograničenja). Glavna primjena je rapid screening tisuća contingency scenarija koji su do sada bili ograničeni computational cijenom — transmission planning, reliability analiza, real-time dispatch optimizacija.
Kako je model treniran i koje verzije postoje?
GridSFM je treniran na 150+ base grid topologija i približno 500.000 scenarija koji pokrivaju varijabilne load profile, outages i operativna ograničenja. Široka training distribucija omogućuje generalizaciju kroz različite mreže bez treniranja zasebnog modela po topologiji. Dvije release tier-a su dostupne: GridSFM-Open za research mreže do 4.000 čvorova (javno) i GridSFM-Premier za production sustave do 80.000 čvorova (by request).
Pristup pozicionira foundation modele kao alat za znanstvene i inženjerske domene — paralela s Microsoft MatterSim modelom za znanost o materijalima koji je 12. svibnja eksperimentalno potvrđen sintezom TaP-a.
Česta pitanja
- Što je optimal power flow i zašto je težak?
- AC optimal power flow (AC-OPF) je optimizacijski problem koji određuje najekonomičniji način proizvodnje i distribucije električne energije uz fizikalna i operativna ograničenja; full AC solvere zahtijevaju minute za velike mreže, što ih čini neupotrebljivima za real-time dispatch.
- Kako GridSFM generalizira kroz različite mreže?
- Model je treniran na više od 150 base grid topologija i oko 500.000 scenarija s varijabilnim load profilima, outagaima i operativnim ograničenjima, što omogućuje da isti model radi na mrežama od 500 do 80.000 čvorova bez separate treniranja po topologiji.
Povezane vijesti
arXiv:2605.21006: Off-the-shelf persona vektori postižu 68-98% učinkovitosti targetiranog sycophancy steeringa u LLM modelima
Black Forest Labs: FLUX Erase nadmašuje GPT Image-2 (68.5%) i Finegrain (63.2%) u uklanjanju objekata bez prompta
arXiv:2605.19762: ICML 2026 paper tvrdi da kod ne poboljšava matematičko zaključivanje LLM-ova