A Rule-Aware Prompt Framework for Structured Numeric Reasoning in Cyber-Physical Systems

ملخص تقني: إطار عمل توجيهي مدرك للقواعد للاستدلال الرقمي المهيكل في الشبكات الذكية

بيان المشكلة

تعتمد الشبكات الذكية الحديثة على بيانات تتبع رقمية عالية الأبعاد (مثل جهود الحافلات، وحقن القدرة، وتدفقات الخطوط) وقواعد تشغيل صريحة لضمان الموثوقية. وبينما يتم استكشاف النماذج اللغوية الكبيرة (LLMs) بشكل متزايد في عمليات الشبكات، فإن عمليات النشر الحالية تركز بشكل أساسي على النصوص، حيث تهتم بالسجلات والتنبيهات بدلاً من الاستدلال المباشر على القياسات الرقمية. عندما يتم تسلسل بيانات الشبكة الرقمية بشكل عشوائي كرموز (tokens)، غالباً ما تفشل النماذج اللغوية الكبيرة في الالتزام بقواعد القرار الأساسية، وتصبح حساسة لاختيارات التمثيل، وتتحيد عن المعايير الفيزيائية أو الإحصائية. هذه الفجوة حرجة في اكتشاف الشذوذ (AD) المرتبط بالسلامة، حيث يجب أن تكون القرارات قابلة للتتبع إلى حدود تشغيل مفهومة جيداً. التحدي الجوهري الذي يعالجه البحث هو كيفية هيكلة التوجيهات (prompts) بحيث يمكن للنماذج اللغوية الكبيرة الاستدلال على بيانات التتبع الرقمية بطريقة تتوافق مع قواعد أنظمة القدرة، وتكون قابلة للتفسير للمشغلين، وفعالة في استخدام الرموز.

المنهجية

يقترح المؤلفون إطار عمل توجيهي مدرك للقواعد (Rule-Aware Prompt Framework) يقوم بتفكيك التوجيهات إلى بنية نموذجية مصممة لتشفير سياق المجال، ودلالات القياس، وقواعد القرار. يتكون الإطار من ست وحدات متميزة:

1. تعليمات الدور (R): تحدد شخصية النموذج (مثل محلل أنظمة قدرة) والمهمة.
2. سياق المجال (C): يصف النظام، وأنواع القياسات، ودلالات الميزات لربط القيم الرقمية بمعناها الفيزيائي.
3. التطبيع الرقمي (N): يحدد تحويل القياسات الخام إلى كميات مطبعة (مثل درجات z-scores) لتقليل الحساسية للمقياس وتكرار الرموز.
4. الاستدلال المدرك للقواعد (S): يشفر منطق القرار (مثل معيار الثلاثة سيجما) ويوجه النموذج اللغوي الكبير لتطبيق هذه القواعد صراحةً.
5. كتلة القيم (V): تعرض بيانات التتبع بتنسيق مدمج (مثل قائمة من الواصفات المطبعة) متوافقة مع قواعد الاستدلال.
6. مخطط المخرجات (O): يقيد الاستجابة بتصنيف فئوي وتفسير موجز قابل للتنفيذ آلياً.

تم تطبيق الإطار على شبكة نقل IEEE 118-bus باستخدام GPT-OSS-20B (نموذج MoE مفتوح الأوزات بـ 20 مليار معلمة). وتقيم الدراسة خمسة أنظمة من التوجيه والتكيف:

• التعلم من الصفر (Zero-shot): بدون أمثلة مصنفة.
• التعلم من أمثلة قليلة (Few-shot): مثالان مصنفان (واحد طبيعي وواحد شاذ).
• التعلم داخل السياق (ICL): خمسة أمثلة متنوعة مصنفة.
• الضبط الدقيق باستخدام LoRA: التكيف بكفاءة في المعلمات لتوليد التصنيفات والتعليلات.
• الهجين بين النموذج اللغوي الكبير والتعلم العميق (Hybrid LLM+DL): يعمل النموذج اللغوي الكبير كمحرك اختيار ميزات مدرك للقواعد وتفسيري، حيث يقوم بتصفية القنوات لمحرك كشف التعلم العميق (DL) اللاحق.

الخيار التصميمي الرئيسي هو تمثيل كتلة القيم (V). تقارن الورقة أربعة متغيرات: القيم الخام فقط؛ القيم الخام مع المتوسط/الانحراف المعياري؛ القيم الخام مع المتوسط/الانحراف المعياري/درجة z-score؛ ودرجة z-score فقط. تصميم "درجة z-score فقط" المقترح يستبعد القيم الخام والإحصائيات، معتمداً فقط على درجات z-score المطلقة المتوافقة مع قاعدة القرار لتقليل استخدام الرموز مع الحفاظ على معلومات الاستدلال.

النتائج الرئيسية

أسفرت التجارب، التي أجريت على نظام IEEE 118-bus مع حقن حالات شذوذ (انحراف بنسبة 15% في ثلاثة مستشعرات عشوائية)، عن النتائج التالية:

• تأثير تصميم كتلة القيم: في إعدادات التعلم من الصفر، يؤثر تمثيل البيانات الرقمية بشكل كبير على الأداء. أدى استخدام القيم الخام فقط (الإعداد 1) إلى دقة منخفضة (36.2%). وأدى إضافة السياق الإحصائي (الإعداد 2) إلى تحسين مقياس F1 إلى 65.3%. ومع ذلك، حقق تصميم درجة z-score فقط (الإعداد 4) أفضل أداء في التعلم من الصفر بـ دقة 71.8% ومقياس F1 بنسبة 77.9%، مع الحفاظ على عدد رموز مقارن لإعداد القيم الخام (2,203 رمز مقابل 2,189 رمز) وأقل بكثير من الإعدادات التي تتضمن إحصائيات خام. وهذا يثبت أن التمثيلات الموجزة والمتوافقة مع القواعد تتفوق على مجرد عرض المزيد من البيانات.
• مستويات الإشراف: تحسن الأداء تدريجياً مع زيادة الإشراف. رفع التعلم من أمثلة قليلة والتعلم داخل السياق (ICL) مقياس F1 إلى ما فوق 80%. حقق الضبط الدقيق باستخدام LoRA استدعاءً بنسبة 100% ولكن بدقة (precision) أقل بلغت 75.8%، مما نتج عنه F1 بنسبة 86.2%.
• البنية الهجينة: حقق نهج الهجين (LLM+DL) أعلى أداء إجمالي (دقة 94.0%، ومقياس F1 بنسبة 93.6%) مع دقة (precision) بنسبة 100%. في هذا الإعداد، قام النموذج اللغوي الكبير بتصفية قنوات القياس بناءً على قاعدة الثلاثة سيجما قبل تمريرها إلى كاشف التعلم العميق التقليدي. تفوق هذا التكوين على كل من كاشف التعلم العميق المستقل (F1 88.3%) وعلى خط الأساس المباشر لثلاثة سيجما (F1 89.9%).
• كفاءة الرموز: قدم توجيه "درجة z-score فقط" (الإعداد 4) أفضل توازن بين الأداء والكفاءة. في المقابل، تطلب التعلم داخل السياق (ICL) أكثر من 11,000 رمز، بينما تسبب الضبط الدقيق باستخدام LoRA في زمن انتقال (latency) أعلى بسبب تحميل النموذج، رغم تشابه عدد الرموز مع الإعداد 4.

الأهمية والادعاءات

تدعي الورقة أن وضوح التصميم وتوافقه مع القواعد أكثر أهمية من حجم المدخلات لمهام مراقبة الشبكة. المساهمات الرئيسية هي:

1. إطار عمل توجيهي نموذجي مدرك للقواعد يفصل صراحةً بين الدور، والسياق، والتطبيع، وتحديد القاعدة، والمخرجات، مما يسمح بالتكامل القابل لإعادة الاستخدام عبر مهام مراقبة الشبكة.
2. صياغة مبدئية حيث تعتمد قرارات النماذج اللغية الكبيرة على الانحرافات المطبعة (z-scores) المتوافقة مع معايير التشغيل بدلاً من القياسات الخام، مما يضمن بقاء القرارات قابلة للتتبع للقواعد الإحصائية أو الفيزيائية.
3. إثبات تجريبي بأن البنية الهجينة (LLM+DL) يمكن أن تتفوق على الكواشف التقليدية في الدقة (precision) مع توفير تفسيرات منطقية، مما يسد الفجوة بفعالية بين بيانات التتبع عالية الأبعاد والنماذج اللغوية العامة.

يضع المؤلفون النموذج اللغوي الكبير ليس كبديل للكواشف التقليدية القائمة على العتبات، بل كمكون يدمج القواعد الصريحة، والأدلة المطبعة، وقيود المخرات المهيكلة لتعزيز الشفافية وثقة المشغل. ويُقترح في العمل المستقبلي دمج قواعد فيزيائية أغنى (مثل اتساق تدفق القدرة المترددة AC) وتوسيع الإطار ليشمل أنظمة التوزيع والشبكات الصغيرة (microgrids).