Dec, 2023

大型电力系统基础模型

PDF
TL;DR探讨大型基础模型如何在电力系统中发挥潜力，通过验证其在电力系统领域的四个代表性任务（包括最优功率流、电动汽车调度、电力工程技术报告的知识检索和情景感知）上的表现，证明基础模型在提升电力系统操作流程的效率和可靠性方面具有强大的能力，并提供了关于将基础模型在电力系统应用中的未来部署的建议和展望。
foundation modelslarge language modelspower systemsoptimal power flowelectric vehicle scheduling
发现论文，激发创造
  • 基于 Foundation Model 的系统设计框架

    本研究提出了一个基于基础模型的系统分类法，涉及预训练和微调，基于基础模型的系统的体系结构设计以及负责任的 AI-by-design。该分类法为基于基础模型的系统设计提供了具体的指南，并突出了设计决策带来的权衡。

    May, 2023

  • 资源高效的 LLM 和多模态基础模型调查

    大型基础模型的资源挑战是一个重要问题，本调研综合分析了现有文献修复切片从模型架构到资源策略的多个方面，为理解当前方法和激发未来突破提供了全面的观点。

    Jan, 2024

  • 利用先前未见工具使大型语言模型能够执行电力系统模拟：以 Daline 为例

    通过将实验技术与大语言模型（LLM）相结合，科学研究的转型正在改变研究领域，提供了超越专业问题解决的人工智能能力，成为人类科学家的研究助手。该研究提出了一个模块化框架，将电力系统和 LLM 领域的专业知识集成，以解决 LLMs 在电力系统仿真方面面临的挑战，从而提高 LLMs 在先前未知工具上进行电力系统仿真的能力。通过在 Daline 中使用 34 个仿真任务进行验证，这个框架将 GPT-4o 的仿真编码准确率从 0% 提高到 96.07%，同时超过了 ChatGPT-4o 网络界面的 33.8% 准确率（已上传整个知识库）。这些结果突显了 LLMs 作为电力系统研究助手的潜力。

    Jun, 2024

  • 基于 GPT 的模型遇上仿真：如何高效地运用大规模预训练语言模型于仿真任务中

    本文是第一篇关于利用大规模预训练语言模型（LLMs）进行科学模拟的研究，聚焦于四个建模和模拟任务，分别评估 LLMs 的预期优势和局限性，并为模型构建者提供实用指南，包括解释概念模型结构、总结模拟输出、通过文本传达模拟可视化洞见以及解释模拟错误并提供解决方案。

    Jun, 2023

  • 大规模基础模型在自动驾驶中的应用

    通过将大语言模型（LLMs）与基础模型结合，利用人类知识、常识和推理，重新构建现有的自动驾驶系统，以改变当前的长尾人工智能困境。

    Nov, 2023

  • 基础模型的训练和服务系统：综合调查

    本文全面探讨了基础模型的训练和服务方法，提供了详细的分类，并总结了挑战和未来发展方向。通过全面的讨论和分析，为未来的研究和应用提供了坚实的理论基础和实践指导，促进基础模型系统的持续创新和发展。

    Jan, 2024

  • 基础模型的机遇与风险

    AI 基础模型的兴起，具有广泛数据训练和可适应下游任务的特点，其机制、应用和社会影响需要更多的跨学科合作来研究。

    Aug, 2021

  • 商业战略的生成式人工智能：利用基础模型创建商业战略工具

    提出将生成模型，特别是 LLMs 与非结构化文本数据源相结合，以产生信息技术工件，从而帮助业务利益相关者了解市场状况和自身定位，提供量化洞察，以改善未来前景。

    Aug, 2023

  • 大型语言模型的概念与实施调查

    基于 Transformer 架构的大型语言模型（LLMs）的近期进展在自然语言处理（NLP）应用领域展示了显著的拓宽范围，超越了其在聊天机器人技术中的初始应用。本文探究了这些模型的多方面应用，重点关注 GPT 系列，对人工智能（AI）驱动工具在改变编码、问题解决等传统任务上起到的转变性影响进行了研究，同时开辟了在不同行业中进行研究和开发的新方向。从代码解释和图像描述到便于构建交互式系统和推动计算领域的发展，Transformer 模型展示了深度学习、数据分析和神经网络设计相结合的协同作用。本调查报告深入了解了 Transformer 模型的最新研究，突出了其多功能性和在实际应用领域中转型的潜力，从而为读者提供了对 Transformer-based LLMs 在当前和未来实际应用领域的全面理解。

    Mar, 2024

  • 从文本到转型：大型语言模型多功能性的全面评述

    这项开创性的研究探讨了大型语言模型（LLMs）如生成式预训练变换器（GPT）和双向编码器表示来自变换器（BERT）在技术、金融、医疗保健、教育等各个领域的广泛应用。尽管它们在自然语言处理（NLP）方面已经展现出卓越的能力，但这些 LLMs 在健身、整体福祉、城市规划、气候建模以及灾害管理等领域尚未得到系统性的研究，本综述除了提供对 LLMs 在不同领域的广泛应用进行全面分析外，还揭示了 LLMs 潜力尚未被利用的研究空白和领域。这项研究发现了 LLMs 在健身福祉、城市规划、气候建模和灾害响应等领域留下印记的创新方式，可以激发未来在这些领域的研究和应用。

    Feb, 2024