新しく公開されたプレプリント研究では、気象に関連する強制停電リスクの予測における大規模言語モデル（LLM）の能力が評価されました。Christos Petridis氏ら3名の著者によるこの論文は、米国テキサス州中部のある電力会社のサービスエリアを対象に、6年間の停電記録と高解像度気象データを用い、停電リスクを二値の重大度分類タスクとしてモデル化しています。予測期間は3時間、6時間、12時間の3通りが設定されました。特に、LLMはラベル付き学習データを必要としないゼロショットの枠組みで検証されています。
研究では、4種類のゼロショットLLMと2種類の教師あり分類器が比較されました。入力構成としては、現在の気象観測データを使う場合と、気象予報データを使う場合の2種類が検討されています。評価ではマクロF1や適合率などの指標を用い、各モデルがどの程度正確に停電リスクを識別できるかが分析されました。その結果、従来の教師あり機械学習モデルは、こうした主要な精度指標においてLLMを上回りました。ただし、より新しい世代のLLMは、教師ありモデルに匹敵する競争力のあるスコアを達成しています。
この論文が注目するのは、単なる予測精度だけではありません。LLMには「実行可能な推論」を提供する能力があります。つまり、リスクのスコアだけでなく、状況を説明する文章や、運用担当者が取るべき可能性のある行動を生成できる点です。また、LLMは地理的な拡張性にも優れており、異なる地域や過去のアノテーションデータが乏しい地域にモデルを適用しやすい可能性があります。配電網は広域にわたるため、この性質は実際の運用において重要な意味を持つかもしれません。
著者らは、こうした結果を踏まえ、LLMと教師ありモデルを組み合わせることが最良の実践方法であると提案しています。教師ありモデルで予測精度を確保しつつ、LLMの説明可能性や拡張性を活用するハイブリッドなアプローチが、今後の停電リスク予測の現場で有効になる可能性があります。この研究は、配電網のレジリエンス向上やエネルギーインフラ管理に大規模言語モデルを応用する方向性を示す実証的な取り組みとして、arXiv（ arXiv:2609.04272）にプレプリントとして公開されています。