Les LLM ne peuvent pas résoudre les problèmes de contraintes strictes de l'optimisation du réseau électrique, une nouvelle étude explique pourquoi

Titre

Les LLM n’arrivent pas à résoudre le problème d’optimal power flow (OPF) du réseau électrique au mieux : une nouvelle étude explique pourquoi

Résumé

L’équipe de l’Université du Luxembourg et de l’Institut de recherche en santé du Luxembourg a testé les performances de LLM de différentes architectures et tailles sur la tâche d’optimal power flow (OPF). Résultats principaux :

• Le taux de satisfaction des contraintes reste constamment autour de 55-60 %, et rendre le modèle plus grand ne change rien ;
• Le gros des échecs vient des équations de flux de puissance : des contraintes plus simples comme les limites des générateurs et de la tension vont au contraire plutôt bien ;
• Effets de l’ajustement (fine-tuning) limités : le SFT rend surtout la sortie plus conforme au format et réduit le MSE, mais aide peu à la faisabilité physique ; le RL a un peu d’utilité dans des scénarios simples comme le cas 30-bus, mais échoue dans les scénarios complexes ;
• Vouloir faire tourner directement un LLM général pour les infrastructures critiques ? Cette étude est un rappel concret.

Analyse

L’équipe a utilisé des données de réseau électrique proches de la réalité industrielle, et n’a pas autorisé l’appel à un solveur numérique externe : l’idée était de voir si le LLM pouvait satisfaire les contraintes physiques par lui-même. Résultat : des taux de satisfaction des contraintes de 55-60 % sont globalement les mêmes sur différents modèles, la conclusion est donc assez robuste.

À quoi sert vraiment le fine-tuning :

• SFT : sortie plus normative, MSE plus bas, mais aide limitée à la satisfaction des contraintes physiques ;
• RL : améliore un peu les scénarios simples, mais ne sert pratiquement à rien dans les scénarios complexes.

Cause fondamentale des échecs : le modèle ressemble davantage à un générateur de “choses qui ressemblent à une réponse”, plutôt qu’à un processus d’optimisation réellement contraint par des lois physiques. C’est similaire à ce qu’on observe sur des tâches comme ARC-AGI, SATBench, qui exigent une satisfaction stricte des contraintes : rendre le modèle plus grand ne veut pas dire qu’il satisfait les contraintes.

Satisfaction des différents types de contraintes (d’après le tableau de la page 12 de l’article) :

Conclusion : un LLM général seul ne peut pas réaliser ce type de tâche d’optimisation physique fortement contrainte comme l’OPF ; il faut l’utiliser avec un raisonnement symbolique, un moteur physique ou un solveur numérique.

Évaluation de l’impact

• Importance : Élevée (pertinent pour tout système industriel ou financier impliquant de fortes contraintes et de la faisabilité physique)
• Catégorie : Recherche en IA, perspectives techniques, tendances de l’industrie
• Applications concrètes :
  • Infrastructures critiques comme l’énergie et l’électricité : les LLM généraux conviennent mieux comme interface et couche d’orchestration, tandis que les calculs essentiels doivent reposer sur des solveurs externes et des modèles physiques ;
  • Scénarios à haut risque comme la finance et ses contraintes : remplacer un moteur d’optimisation ou un moteur de conformité par des LLM présente un risque trop élevé ; les systèmes hybrides sont plus fiables.

Conclusion : Peu de rapport avec l’écosystème des marchés crypto ; a une valeur de référence pour les équipes d’infrastructure et les instituts de recherche qui travaillent sur des solutions hybrides IA + solveurs physiques ; pour les traders et les investisseurs “buy and hold” de long terme, il n’y a pour l’instant pas grand-chose de directement exploitable ; les fonds qui s’intéressent à l’IA dans les infrastructures peuvent y prêter attention, mais ne comptez pas sur le fait qu’un LLM général puisse résoudre directement les problèmes à contraintes physiques fortes.