DC-Screening-Oriented Solver-Referral Auditing for Grid Foundation Model Predictions under Topology and Operating Stress

تُعد الشبكة الكهربائية آلة ضخمة وغير مرئية يجب أن تظل في حالة توازن مثالي في كل ثانية. فالمولدات تدفع الطاقة إلى النظام، والمنازل والمصانع تسحبها منه، وكل ذلك بينما يتدفق التيار عبر شبكة من الأسلاك التي يمكن أن تتضرر بفعل العواصف، أو تُحمل فوق طاقتها بسبب الطلب، أو تتغير بفعل فرق الصيانة. لعقود من الزمن، اعتمد المهندسون على نماذج رياضية معقدة للتنبؤ بما إذا كان هذا التوازن الدقيق سيصمد أم أن النظام سينهار. هذه النماذج دقيقة للغاية ولكنها بطيئة للغاية أيضاً؛ إذ إن تشغيلها لكل سيناريو محتمل، من سلك واحد مكسور إلى موجة حر ترفع الطلب بشكل حاد، سيستغرق وقتاً طويلاً جداً ليكون مفيداً في اتخاذ القرارات في الوقت الفعلي. وفي السنوات الأخيرة، بدأ العلماء في تدريب الذكاء الاصطناعي ليعمل كمسودة سريعة وخشنة لهذه النماذج، مما يوفر تنبؤات فورية حول استقرار الشبكة. ومع ذلك، فإن أدوات الذكاء الاصطناعي هذه ليست مثالية؛ إذ يمكنها ارتكاب أخطاء صامتة، خاصة عندما تواجه الشبكة ضغوطاً غير عادية أو تغييرات في هيكلها لم يسبق للذكاء الاصطناعي رؤيتها من قبل. والسؤال الحاسم للمهندسين ليس فقط ما إذا كان الذكاء الاصطناعي صحيحاً في العادة، بل كيف يعرفون متى يثقون به تماماً ومتى يتوقفون ويطلبون من برنامج حاسوبي أبطأ وأكثر صرامة مراجعة العمل.

لقد طور فريق من الباحثين في جامعة دونغ غوان للتكنولوجيا طريقة جديدة للإجابة على هذا السؤال، حيث ابتكروا شبكة أمان تقرر متى تسمح بمرور تنبؤ الذكاء الاصطناعي ومتى ترسل الحالة لإجراء مراجعة تقليدية كاملة. هم يسمون هذا النظام "تدقيق الإحالة إلى الحلّال" (solver-referral audit). تخيل الذكاء الاصطناعي كفني خبير وسريع يمكنه رصد معظم المشكلات فوراً، ولكنه قد يغفل عن صدع دقيق في نوع معين من العوارض. يعمل النظام الجديد كعين ثانية تتحقق من عمل الفني قبل اتخاذ قرار نهائي. هو لا يحاول استبدال الرياضيات المثالية البطيئة بالكامل؛ بل بدلاً من ذلك، يخلق عملية شفافة حيث يتم الفصل بين تخمين الذكاء الاصطناعي، والتحقق الفيزيائي السريع من الأرقام، واختبار سلامة محدد. يضمن هذا الفصل عدم الخلط بين الذكاء الاصط fast وبين الرياضيات المثالية البطيئة، ويضمن أنه في كل مرة يقرر فيها النظام استدعاء الخبراء، يكون هناك سجل واضح للسبب.

اختبر الباحثون هذه الفكرة على ثلاثة نماذج مختلفة للشبكة الكهربائية، تتراوح من 500 إلى ما يقرب من 800 نقطة اتصال، لمحاكاة مئات المواقف العصيبة. لقد أنشأوا سيناريوهات تم فيها دفع الشبكة إلى حدودها القصوى: حيث زادت الأحمال، وأُزيلت أسلاك لمحاكاة الانقطاعات، وضُيقَت حدود السلامة. في المجمل، قاموا بتوليد 843 وضعاً متميزاً لمعرفة كيفية أداء الذكاء الاصطناعي تحت الضغط. جوهر طريقتهم الجديدة هو "درجة المصداقية"، وهي رقم واحد يتم حسابه قبل تشغيل أي برنامج حاسوبي ثقيل. تُبنى هذه الدرجة من ستة أدلة مختلفة؛ فهي تنظر في مدى اختلاف تنبؤ الذكاء الاصطناعي عن الحالة الطبيعية، وتتحقق مما إذا كانت القوانين الأساسية للفيزياء تصمد في التنبؤ، وتقيس مدى تغير هيكل الشبكة، وتقيم مدى ضيق قيود السلامة. ومن خلال دمج هذه الأدلة الستة في درجة واحدة، يمكن للنظام تحديد ما إذا كان وضع معين شديد الخطورة بحيث لا يمكن الوثوق بالذكاء الاصطري وحده.

عندما طبق الباحثون هذه الطريقة، وجدوا أنها تعمل بشكل جيد للغاية في كشف الحالات التي كان من شأن الذكاء الاصطناዊ أن يفشل فيها. في اختباراتهم، نجح النظام في تحديد كل سيناريو قال فيه برنامج الرياضيات الأكثر صرامة وبطئاً إن الشبكة في ورطة. وهذه نتيجة حاسمة لأن تفويت وضع خطير هو أسوأ بكثير من التحقق من وضع آمن دون داعٍ. ومع ذلك، تعلم النظام أيضاً كيف يكون فعالاً؛ فبينما أشار إلى العديد من السيناريوهات الآمنة لإجراء فحص إضافي، فقد فعل ذلك بطريقة قللت بشكل كبير من عدد المواقف الخطيرة التي تم تفويتها مقارنة بالطرق القديمة التي كانت تنظر فقط إلى شدة الإجهاد. على سبيل المثال، في إحدى شبكات الاختبار، قللت الطريقة الجديدة من عدد الحالات الخطيرة المفقودة بنسبة تقارب 80 بالمائة مقارنة بنهج أبسط يعتمد فقط على شدة الإجهاد. وهذا يعني أن المهندسين يمكنهم الاعتماد على الذكاء الاصطناعي السريع في معظم عمليات الفحص الروتينية، مع العلم أن النظام الجديد سيكتشف بانتظام الحالات النادرة والمعقدة التي تتطلب اهتماماً بشرياً أو حاسوبياً عالي القدرة.

كما كشفت الدراسة عن حدود مهمة لما يمكن للذكاء الاصطناعي وللنظام الجديد ادعاؤه. فقد كان الباحثون حذرين في تحديد ما يقيسه "اختبار السلامة" الخاص بهم بدقة. لقد استخدموا نسخة مبسطة من الرياضيات تنظر فقط إلى تدفق الطاقة النشطة، متجاهلة التفاعلات الأكثر تعقيداً للجهد والقدرة غير الفعالة (reactive power) التي تحدث في العالم الحقيقي. وبناءً على ذلك، لا يعد النظام بأن الشبكة آمنة تماماً من الناحية الفيزيائية في كل جانب؛ بل يعد فقط بأن الشبكة آمنة وفقاً للقواعد المحددة والمبسطة التي اختُبر ضدها. هذا التمييز حيوي؛ فالنظام ليس درعاً سحرياً يضمن عدم انقطاع التيار الكهربائي أبداً، بل هو بروتوكول منضبط يحافظ على فصل تنبؤات الذكاء الاصطناعي السريعة عن فحوصات السلامة الصارمة. إنه يضمن أنه عندما يتم اتخاذ قرار بالوثوق بالذكاء الاصطناعي، يكون ذلك اختياراً واعياً بناءً على مجموعة واضحة من الأدلة، وعندما يتم اتخاذ قرار باستدعاء الخبراء، يتم ذلك لسبب محدد وقابل للتكرار.

في نهاية المطاف، تكمن قيمة هذا العمل في شفافيته وعمليته. لم يكتفِ الباحثون ببناء ذكاء اصطناعي أفضل، بل بنوا طريقة أفضل لاستخدام الذكاء الاصطناعي. فمن خلال إبقاء طبقات الأدلة المختلفة — تخمين الذكاء الاصطناعي، والتحقق الفيزيائي، واختبار السلامة — منفصلة وخاضعة للمساءلة، خلقوا سير عمل يمكن للمهندسين الوثوق به. يسمح النظام باتخاذ قرارات سريعة دون التضحية بالسلامة، بشرط أن يفهم المشغلون حدود الاختبار. وتشير النتائج إلى أن هذا النهج المتمثل في دمج فحوصات بسيطة متعددة في درجة مصداقية واحدة هو أداة قوية لإدارة البيئة المعقدة وعالية المخاطر للشبكات الكهربائية الحديثة. فهو يمهد الطريق لاستخدام الذكاء الاصطناعي على نطاق واسع، ليس من خلال التظاهر بالكمال، بل من خلال معرفة متى يجب عليه التنحي جانباً وترك الطرق المثبتة تتولى زمام الأمور.