Los LLM no pueden resolver los problemas de restricciones duras en la optimización de redes eléctricas; una nueva investigación explica la razón.

Título

Los LLM no pueden resolver el problema de optimal power flow (OPF) de forma óptima; un nuevo estudio explica por qué

Resumen

El equipo de la Universidad de Luxemburgo y del Instituto de Investigación en Salud de Luxemburgo probó el desempeño de LLMs de diferentes arquitecturas y tamaños en la tarea de Optimal Power Flow (OPF). Hallazgos principales:

• La tasa de cumplimiento de restricciones se mantiene siempre entre 55-60%; aumentar el tamaño del modelo no sirve de nada;
• Principalmente falla en las ecuaciones de flujo de potencia; restricciones simples como las de límites de generadores y voltaje, en cambio, salen bastante bien;
• Efecto de fine-tuning limitado: SFT principalmente hace que el formato de salida sea más normativo y el MSE menor, con poca ayuda para la factibilidad física; en escenarios simples como 30-bus, el RL sirve un poco, pero en escenarios complejos no funciona;
• ¿Usar LLMs generales para ejecutar directamente infraestructuras críticas? Este estudio es un recordatorio realista.

Análisis

El equipo de investigación usó datos de redes eléctricas cercanos a los usados en la ingeniería, sin permitir que el modelo llame a solucionadores numéricos externos, para ver si el LLM podía satisfacer por sí mismo las restricciones físicas. El resultado fue que la tasa de cumplimiento de restricciones de 55-60% fue bastante similar en diferentes modelos; la conclusión es bastante sólida.

¿Para qué sirve exactamente el fine-tuning?

• SFT: la salida es más normativa y el MSE es menor, pero ayuda limitada para cumplir restricciones físicas;
• RL: mejora algo en escenarios simples, pero prácticamente no sirve en escenarios complejos.

Causa fundamental del fracaso: el modelo se parece más a alguien que está generando cosas que “parecen” respuestas, en lugar de hacer optimización realmente bajo restricciones impuestas por leyes físicas. Esto es igual a lo que vimos en tareas que requieren cumplimiento estricto de restricciones como ARC-AGI y SATBench: que el modelo sea más grande no significa que pueda cumplir restricciones.

Cumplimiento de diferentes tipos de restricciones (según la tabla en la página 12 del paper):

Conclusión: un LLM general por sí solo no puede con tareas de optimización física fuertemente restringidas como el OPF; hay que combinarlo con razonamiento simbólico, motores físicos o solucionadores numéricos.

Evaluación de impacto

• Importancia: alta (tiene valor de referencia para cualquier sistema de ingeniería o financiero que involucre restricciones fuertes y factibilidad física)
• Categoría: investigación en IA, conocimientos técnicos, tendencias de la industria
• Aplicaciones prácticas:
  • Infraestructura crítica como energía eléctrica: los LLMs generales son más adecuados como capa de interfaz y orquestación; el cálculo central aún debe apoyarse en solucionadores externos y modelos físicos;
  • Escenarios de alta criticidad en finanzas: sustituir el motor de optimización o el motor de cumplimiento por LLMs conlleva un riesgo demasiado alto; es más fiable un sistema híbrido.

Conclusión: Tiene poco que ver con la relación con el mercado cripto; es valioso para equipos de infraestructura y para instituciones de investigación que trabajen con propuestas de IA híbrida + solucionadores físicos; para traders y tenedores a largo plazo, por el momento no hay nada accionable; los fondos que se enfocan en infraestructura de IA pueden prestar atención, pero no esperen que un LLM general resuelva directamente problemas de restricciones fuertes.