Generating adversarial inputs for a graph neural network model of AC power flow

技術要約：交流電力潮流のグラフニューラルネットワークモデルに対する敵対的入力の生成

問題提起
グラフニューラルネットワーク（GNN）や物理情報ニューラルネットワーク（PINN）を含むニューラルネットワーク（NN）サロゲートモデルは、交流電力潮流（ACPF）方程式の解を近似するためにますます活用されている。これらのモデルは、電力伝送ディスパッチに適した高速なオンライン推論を提供する一方で、敵対的な摂動に対する堅牢性に欠けていることが知られている。電力伝送のような安全性が極めて重要な領域において、この堅牢性の欠如は重大なリスクをもたらす。本研究が取り組む中心的な問いは、「特定のACPF用サロゲートモデルが与えられたとき、そのモデルの出力とACPF方程式の「真の解（グラウンドトゥルース）」との間に大きな誤差を生じさせる入力点（インプットポイント）を特定できるか？」というものである。

手法
著者らは、IEEE 14バス試験系統上で動作するCANOS-PF GNNモデル（PF∆ベンチマークライブラリを介して実装された最先端のアーキテクチャ）に対して、敵対的な入力点を生成するための2つの異なるタイプの最適化問題を定式化し、解決した。

1. 最大誤差問題（問題1）： この最適化は、ニューラルネットワークの出力の特定の座標（$y_{NN}$）と、対応するACPF解の座標（$y_{PF}$）との差を最大化する。この問題は、電力注入および電圧振幅に関する物理的限界を表す入力制約（$L \le x \le U$）によって境界付けられている。著者らは、正および負の両方の誤差偏差を捉えるために、最大化および最小化の目的関数の両方のインスタンスを解いた。
2. 制約付き誤差問題（問題2）： この最適化は、特定の敵対的制約を満たすために必要な、参照となる訓練点（$x_0$）からの最小の入力摂動を探索する。これらの制約は、NNの予測値とACPF解との間の最小の差（$\delta$）を強制する（例：電圧振幅などの特定の出力変数に対して）。具体的には、NNにフェジブルな範囲内の値を予測させる一方で（例：$y_{NN,i} \ge l_i$）、真のACPF解がその範囲を少なくとも $\delta$ だけ逸脱するように強制する（例：$y_{PF,i} \le l_i - \delta$）。

実験セットアップ

• モデル： 約750万個の学習可能パラメータを持つCANOS-PF GNN。これは、MSE（平均二乗誤差）とPBL（電力バランス損失）を組み合わせて、PF∆ Task-1.1データセット（48,600点）を用いて学習された。
• システム： PGLib-OPFからのIEEE 14バス試験系統。
• 制約： PQバスの負荷および基準バスの変数は固定された。自由度は、純実効電力注入およびPVバスにおける電圧振幅に限定された。
• ソルバー： 最適化はJuMPおよびIPOPTを用いて行われ、GPU加速されたグレイボックス定式化（MathOptAI.jl）を介してPyTorchとインターフェースを構成した。

主な結果

• 最大誤差： 本研究は、顕著な不一致を引き起こす入力点を特定することに成功した。観察された最大の誤差は、リアクティブパワーで3.7 p.u.（単位法）、および**電圧振幅で0.08 p.u.**であった。
  • 分析の結果、電圧振幅の誤差は、誤差を最小化する場合よりも最大化する場合に系統的に大きくなる傾向があり、これは真の潮流が比較的低い電圧を示す場合に、モデルが解を正確に近似することに苦慮していることを示唆している。
• 最小摂動： 制約付き誤差問題において、著者らは、特定の敵対的制約を満たすために非常に小さな摂動で十分であることを発見した。必要とされた最小の摂動は、単一バスにおける**電圧振幅で0.04 p.u.**であった。
  • 試行された90インスタンスのうち、64インスタンスにおいて最適化は原始実行可能点（primal-feasible points）に収束した。
  • 「0ノルム」（摂動を与えた入力変数の数）は低く、収束したほとんどのケースにおいて、2つ以下の入力変数を摂動させるだけで敵対的な結果を生成するのに十分であった。
  • 選択された敵対的ケースの多くは、PVバスの電圧振幅をその下限値（0.94 p.u.）に近く設定する必要があった。これは、モデルの訓練データがこれらの運用限界付近でのカバー範囲が不足している可能性を示唆している。
• 計算性能： 非微分可能なReLU層を持つGNNの微分（これは厳密にはIPOPTの仮定に反する）という複雑さにもかかわらず、ソルバーは試行された問題の**74%**で収束した。しかし、計算時間は比較的長く（問題1で平均92秒、問題2で14秒）、埋め込まれたニューラルネットワークの関数および微分評価によって支配されていた。

意義および主張
本論文は、AC電力潮流の最先端のニューラルネットワークモデルに対して、敵対的な点が体系的に特定可能であることを示す**概念実証（プルーフ・オブ・コンセプト）**として位置づけられている。著者らは、モデルを破壊して即座に系統運用を危うくするような方法でモデルを打破したと主張しているのではなく、系統運用者にとって重要となり得る顕著な不一致が存在することを強調している。

主要な貢献は、GNNサロゲートにおけるこれらの脆弱性を明らかにする、扱いやすい最適化問題の定式化である。結果は、以下の3つの具体的な将来研究分野を動機付けている：

1. AC電力潮流サロゲートのための厳格な検証手法の開発。
2. モデルのレジリエンスを向上させるための、堅牢な訓練手法の構築。
3. より大規模なネットワークおよび追加のニューラルネットワークアーキテクチャへの、これらの敵対的テスト手法の適用。

著者らは、負荷と線路パラメータを固定しているため、得られた結果は保守的なものであると注記している。これらを自由度として変化させることを許容すれば、さらに深刻な敵対的ポイントが得られる可能性が高い。