應用研究／AI 基礎設施
GENCO 以單一圖神經網路處理電網三類求解，大型 AC 潮流吞吐提高約 29 倍
GENCO 透過異質圖注意力、物理量解碼及反覆殘差修正，統一處理潮流、最佳潮流與狀態估計。大型電網的批次推論明顯快於傳統 AC 求解器，但零樣本跨電網及真實 SCADA 準確率仍不足以直接取代既有工具。
IBM、蘇黎世聯邦理工等團隊公開 GENCO（GEometric Neural Corrective Optimizer）與 GridFM 開發框架，嘗試用一套神經架構處理電力系統的潮流計算（PF）、最佳潮流（OPF）及狀態估計（SE）。模型把匯流排、發電機與輸電線表示成異質圖；圖注意力依不同關係傳遞訊息，線路導納與熱容量限制亦會調節注意力。每輪修正先預測電壓、相角及發電量，再由物理解碼器重建功率流，把功率平衡與限制違規殘差送回下一輪，而不是直接輸出一組無法檢查的黑箱答案。
速度數字需要按測試條件解讀。研究以 H100 SXM5 跑批次推論，傳統求解器則使用同世代 84 核 AMD EPYC 9634，兩邊均排除載入、編譯與暖機，並分別選取最佳批次或工作程序數。GENCO Tiny 在 2,000 與 10,000 匯流排 PF 上比 Newton–Raphson AC-PF 快 28.2 與 29.1 倍，同時輸出 DC-PF 缺少的電壓及無功功率；但速度約只有 DC-PF 的一半。GENCO Small 的 OPF 在 2,000 匯流排案例比 AC-OPF 快 84.5 倍。
工程價值也在配套：Apache-2.0 的 `gridfm-graphkit` 已提供 YAML 訓練、微調、評測與推論 CLI，`gridfm-datakit` 可產生含 N-k 拓撲、導納及發電成本擾動的資料，資料集已放上 Hugging Face。然而論文對未見電網的零樣本 PF 殘差為 11.07 MW，劣於 DC-PF 的 2.30 MW；Hydro-Québec SCADA 亦需約 15,000 筆微調資料才接近 DC-PF。論文專用設定、腳本及完整模型還要數週才會補上，下一步應觀察第三方能否重現吞吐、尾端違規率與跨拓撲泛化，而不只平均誤差。