深度分析
以異構GNN實現圖基礎模型：HydraGNN 在大規模 OPF 預訓練與微調的成果
智慧電網需快速且可靠的最佳潮流(OPF)近似。本文採HydraGNN構建可擴展異構圖神經網路，保留母網多類節點與關係並進行全案例預訓練與領導級超參數搜尋。實驗橫跨十個PGLib案例與約三百萬圖樣本，結果顯示兩種異構骨幹在緊湊參數下取得最低驗證損失並提升下游微調效率。
深度分析
智慧電網需快速且可靠的最佳潮流(OPF)近似。本文採HydraGNN構建可擴展異構圖神經網路，保留母網多類節點與關係並進行全案例預訓練與領導級超參數搜尋。實驗橫跨十個PGLib案例與約三百萬圖樣本，結果顯示兩種異構骨幹在緊湊參數下取得最低驗證損失並提升下游微調效率。
深度分析
團隊提出以 HydraGNN 為基礎的 exascale 原子圖基礎模型工作流程，在超級電腦上以混合精度和多任務架構，同步訓練來自 16 個公開一級原理資料集、超過 5.44 億結構。透過大規模超參數搜尋與分布式資料管線，最終產出以 PaiNN 為基底的領先檢查點，實現於 50 秒內評估 11 億個原子結構，