Parameter-performance scaling of hybrid quantum-classical policies for demand-charge-aware battery control

ملخص تقني: توسع معامل الأداء مقابل المعلمات للسياسات الهجينة الكمية-الكلاسيكية للتحكم في البطاريات الواعية برسوم الطلب

بيان المشكلة
تتناول الورقة البحثية التحكم في أنظمة تخزين البطاريات خلف العداد في المباني التجارية، وتستهدف تحديداً تقليل رسوم الطلب الشهرية. يتم صياغة هذا كمسألة تحكم طويلة الأمد ومتعددة الأهداف، حيث يجب على البطارية موازنة خفض فاتورة الكهرباء مع تدهور حالة البطارية، مع تجنب الاستنزاف المبكر قبل حدوث ذروة الطلب الشهري الحقيقية. تبحث الدراسة في الفرضية القائلة بأن النماذج الهجينة الكمية-الكلاسيكية يمكنها تحقيق أداء تحكم مماثل للشبكات العصبية الكلاسيكية بعدد أقل من المعلمات القابلة للنشر (كفاءة المعلمات)، بدلاً من الادعاء بتفوق مطلق في الأداء أو السرعة الحسابية.

المنهجية
تستخدم الدراسة تصميماً تجريبياً صارماً بنظام الاختبار المغلق لتقييم التوسع بين المعلمات والأداء عبر عائلات النماذج المختلفة.

• مجموعة البيانات والكوهرت (Cohort): تستخدم المرجعية محاكاة لـ 549 مبنى مكتبياً من إصدار ComStock 2025 الإصدار الثاني (AMY2018)، والتي تم تصفيتها لتشمل مقاطعة لوس أنجلوس (منطقة ASHRAE المناخية 3B) والمباني التي شُيدت في عام 1980 أو ما بعده. تم تقسيم مجموعة البيانات على مستوى المبنى إلى 329 مبنى للتدريب، و110 للتحقق، و110 لاختبار مغلق.
• مهمة التحكم: تتضمن المهمة تحكماً بفواصل زمنية مدتها 15 دقيقة على مدار شهر صيفي كامل (يونيو–سبتمبر) تحت تعرفة PG&E B-10 لرسوم الطلب القياسية. الهدف هو مجموع موزون لتكاليف الكهرباء وتكاليف التدهور، مشروط بوزن تفضيل $w$.
• عائلات النماذج: تمت مقارنة ثلاث عائلات من السياسات، تشترك جميعها في متجه ملاحظات مكون من 16 بُعداً، ومتجه تفضيل، وغلاف "آيزوتونيك" (Isotonic wrapper) عند الاستدلال:
  1. MLP-Cap: شبكة إدراك متعددة الطبقات (MLP) كلاسيكية.
  2. VQC-Cap: دائرة كمية متغيرة (VQC) هجينة ذات اتصالات تخطي (Skip-connected)، حيث يتم تشفير متجه الملاحظات فقط في دائرة مكونة من 4 كيوبتات، بينما يتجاوز متجه التفضيل الكتلة الكمية عبر اتصال تخطي كلاسيكي.
  3. VQC-RegimeCap: نسخة معدلة بـ "رأس" (Head) لضبط سقف الطلب بناءً على نظام التفضيل بسلاسة.
• البروتوكول التجريبي: تم تدريب النماذج عبر "التعلم السلوكي" (Behavioral Cloning) من نموذج مرجع يمتلك رؤية مثالية. قيمت الدراسة أربع ميزانيات للمعلمات (500، ~1,400، ~4,000، و12,000 معلمة). ومن الأهمية بمكان أن جميع اختيارات البنية، والمعلمات الفائقة (Hyperparameters)، وعتبات الأداء قد تم تثبيتها باستخدام قسم التحقق فقط قبل تنفيذ الاختبار المغلق.
• بيئة المحاكاة: تم تقييم جميع الدوائر الكمية باستخدام محاكاة التوقع التحليلي الدقيق (محرك الحالة المتجهة - State-vector backend) على وحدة معالجة مركزية كلاسيكية لعزل كفاءة المعلمات عن ضوضاء الأجهزة وآثار أخذ العينات محدود النقرات (Finite-shot sampling).
• المقاييس: تم قياس الأداء باستخدام الندم الطبيعي المتوازن للأنظمة (Regime-balanced normalized regret)، وتوفير الفواتير، وتكاليف التدهور. تم تقييم الدلالة الإحصائية عبر اختبارات "بوتستراب" (Bootstrapping) المقترنة على مستوى المبنى واختبارات التبديل المعدلة بطريقة Holm–Bonferroni.

المساهمات الرئيسية

1. المرجع المجمد: إنشاء مرجع لـ 549 مبنى مع تقسيم ثابت ومسجل مسبقاً للتدريب والتحقق والاختبار، مع استخدام بصمات SHA256 لنماذج المانيفست لمنع الإفراط في التخصيص (Overfitting) وتحيز الاختيار.
2. حد التوسع بين المعلمات والأداء: إجراء مقارنة "إسقاط الفعل نفسه" بين عائلات VQC الهجينة ونماذج MLP الكلاسيكية القوية عبر ميزانيات معلمات متعددة، لعزل المساهمة الهيكلية للكتلة الهجينة.
3. عتبات مشتقة من التحقق: تقديم "سلم عتبات" مستمد حصرياً من بيانات التحقق لتحديد أنظمة الأداء المتوافقة، واستبدال العتبات المنضبطة المفردة بتحليل حساسية قوي.
4. تدقيق الموارد: التمييز بين إمكانية ضغط المعلمات القابلة للنشر وبين الكفاءة الحسابية، مع التقرير الصريح عن زمن استجابة الاستدلال وتكاليف تقييم الدائرة.

النتائج

• ميزة الهجين المدمج: حقق نموذج VQC-Cap الذي يحتوي على 1,393 معلمة أدنى "ندم كلي" (0.581) من بين جميع التكوينات المختبرة، متفوقاً بشكل طفيف على نموذج MLP-Cap المتوافق في الحجم (1,393 معلمة) الذي سجل (0.596). كان الفرق المقترن ذا دلالة إحصائية عند الحدود ($p=0.050$ بعد تعديل Holm).
• التوسع غير الرتيب: لم تكن ميزة الأداء رتيبة. كان نموذج VQC-Cap بـ 1.4 ألف معلمة هو النقطة الأفضل، لكن تكوينات 0.5 ألف و4 آلاف من VQC-Cap أدت أداءً أسوأ بكثير من نظيراتها من MLP. كما أن نموذج MLP-Cap بـ 12 ألف معلمة أدى أداءً أقل من نماذج MLP الأصغر، مما يشيد بوجود حدود غير رتيبة لكلا العائلتين تحت جرعة التدريب الثابتة.
• الميزة المشروطة: وُجد أن ميزة الهجين تعتمد على بنية "رأس سقف الطلب" (Demand-cap action head) المحددة. تشير عمليات الاستبعاد الأولية إلى أن إزالة هذا الرأس يقلل من الأداء النسبي للهجين، مما يشير إلى أن الفائدة تنبع من الجمع بين VTC ذي اتصال التخطي ورأس التحكم المحدد، وليس من الدائرة الكمية وحدها.
• التكلفة الحسابية: رغم امتلاكها معلمات أقل، كانت النماذج الهجينة أبطأ حسابياً. تطلب نموذج VQC-Cap (1.4k) حوالي 42 ساعة من وقت إعادة التشغيل لكل بذرة (Seed) على معالج بـ 32 نواة، مقارنة بحوالي 1.2 ساعة لنموذج MLP-Cap المتوافق.
• مخاطر الذيل: استوفت جميع النماذج المحتفظ بها قيد معدل فشل الذيل عالي الوزن (الذي وصل للتشبع عند 0.20)، وإن كان تحليل شبكة التفضيل الكثيفة يظهر أن الندم يزدัง بشكل حاد لجميع السياسات المتعلمة عند أوزان تجنب التدهور العالية ($w=0.9$).

الأهمية والادعاءات
تدعي الورقة البحثية وجود منفعة ضيقة ومحدودة في كفاءة المعلمات بدلاً من تفوق كمي عام. وبشكل محدد:

• إن نموذج VQC-Cap ذو الاتصال التخطي وسقف الطلب يزيح حدود المعلمات المدمجة لهذا المرجع المحدد، محققاً أداءً مماثلاً لشبكة كلاسيكية بعدد أقل من المعلمات عند ميزانية 1.4 ألف.
• لا يعني هذا أن السياسات الهجبية الكمية-الكلاسية هي بالضرورة متفوقة أو أسرع أو أكثر كفاءة حسابياً؛ بل في الواقع، زمن استجابة الاستدلال أعلى بكثير.
• هذه الميزة مشروطة بالمهمة المحددة (التحكم الواعي برسم الطلب)، والبنية المحددة (VQC ذو اتصال التخوي وسقف الطلب)، وبيئة المحاكاة (الخالية من الضوضاء).
• تخلص الدراسة إلى أنه بينما يمكن أن يكون التصميم الهجين المدمج فعالاً، فإن الشبكة الكلاسيكية تظل نموذجاً مرجعياً قوياً وأسرع. أي ادعاء بوجود تفوق على مستوى الأجهزة يتطلب عملية تحقق منفصلة تأخذ في الاعتبار ضوضاء الأجهزة وأخذ العينات محدود النقرات، وهو ما لم يتم في هذه الدراسة.