Quantum Resource Estimation for Minimising Energy Grid Losses

Resumen Técnico: Estimación de Recursos Cuánticos para la Minimización de Pérdidas en la Red Eléctrica

Enunciado del Problema
La Reconfiguración de la Red de Distribución (DNR) tiene como objetivo minimizar las pérdidas de energía en las redes eléctricas mediante la identificación de la topología óptima de la red a través de la apertura y cierre de interruptores. Si bien esta capacidad es crucial para aliviar la congestión de la red y reducir las emisiones de carbono, determinar la configuración de pérdidas mínimas es un problema NP-difícil. Los métodos de optimización clásicos luchan por escalar a la complejidad combinatoria de las redes de distribución del mundo real, particularmente aquellas con infraestructuras malladas operadas radialmente, como las redes de media tensión (MT) gestionadas por Alliander en los Países Bajos.

Metodología
Los autores proponen un enfoque de computación cuántica basado en puertas para resolver el problema de DNR, centrándose específicamente en la reducción de pérdidas de energía. La metodología implica tres etapas principales:

1. Formulación del Problema como HUBO: A diferencia de trabajos anteriores que formularon DNR como un problema de Optimización Binaria Cuadrática Sin Restricciones (QUBO) (a menudo requiriendo variables auxiliares para manejar restricciones de orden superior), este estudio modela el problema directamente como un problema de Optimización Binaria Sin Restricciones de Orden Superior (HUBO).

   • Descomposición de Grafos: El grafo de la red se descompone en componentes biconectados. Los componentes no triviales (aquellos que contienen ciclos) se reducen a sus menores topológicos mediante la elevación de aristas para reducir el número de nodos y aristas, preservando al mismo tiempo las estructuras cíclicas.
   • Modelado de Restricciones: Las restricciones (vértice, arista, ciclo, camino e implicación) se modelan explícitamente como términos de penalización de orden superior dentro de la función de costo HUBO. Esto evita la transformación implícita de restricciones utilizada en las formulaciones QUBO y elimina la necesidad de variables auxiliares, reduciendo así el número de qubits requeridos.
   • Objetivo: La función objetivo minimiza las pérdidas totales de potencia óhmica bajo una aproximación de carga de corriente constante, ponderada contra los términos de penalización que imponen la radialidad y la conectividad.

2. Mapeo del Algoritmo Cuántico: La formulación HUBO se mapea a un operador de costo cuántico ($U_{HUBO}$) y un operador mezclador ($U_{mix}$). Estos operadores están diseñados para su uso en algoritmos cuánticos variacionales como el Algoritmo Cuántico Aproximado de Optimización (QAOA) o la Optimización Cuántica Digitizada Contradiabática de Campo de Sesgo (bf-DCQO). Las variables binarias se mapean a variables de espín y la función de costo se convierte en un Hamiltoniano de Pauli.

3. Estimación de Recursos Cuánticos (QRE): El estudio no resuelve el problema en hardware real, sino que realiza una estimación de recursos para evaluar la viabilidad futura. Utilizando el Estimador de Recursos Cuánticos de Microsoft, los autores calculan el número de qubits lógicos y puertas de rotación lógicas requeridos para implementar una capa de optimización. Estos requisitos lógicos se traducen luego en estimaciones de recursos físicos (qubits físicos y tiempo de ejecución) para seis configuraciones de hardware diferentes, incluidas tecnologías de qubits basados en puertas y qubits de Majorana, teniendo en cuenta la corrección de errores mediante código de superficie.

Resultados Clave
El estudio aplica este marco a una red de prueba IEEE-33 de referencia y a componentes biconectados del mundo real de la red de MT de Alliander en Arnhem.

• Escalabilidad de los Términos de Interacción: Los resultados indican que el número de términos de interacción HUBO crece de manera combinatoria con el tamaño de la red. Por ejemplo, un componente pequeño (Arnhem-0) requiere 42 términos de interacción, mientras que un componente más grande (Arnhem-3, con 309 nodos) resulta en más de $4.08 \times 10^8$ términos de interacción.
• Dependencia Estructural: Los requisitos de recursos no solo están impulsados por el número de nodos y aristas, sino significativamente por características estructurales como la conectividad y la ciclicidad. Los componentes con mayor densidad de aristas producen sustancialmente más términos de interacción.
• Estimaciones de Recursos:
  • Recursos Lógicos: El componente más grande (Arnhem-3) requiere aproximadamente 61.172 qubits lógicos y casi $5 \times 10^8$ puertas de rotación lógicas para una sola capa de optimización.
  • Recursos Físicos: El tiempo de ejecución físico estimado para una sola capa oscila hasta $10^7$ segundos dependiendo de la configuración del hardware y las tasas de error. Los autores señalan que una tubería de optimización completa requeriría múltiples aplicaciones del operador, empujando potencialmente los tiempos de ejecución totales a $10^8$–$10^9$ segundos.

Significado y Afirmaciones
El artículo afirma novedad en tres áreas específicas:

1. Formulación Directa HUBO: Enmarca el problema de DNR directamente como un HUBO sin variables auxiliares, ofreciendo una representación más directa de las restricciones físicas y topológicas en comparación con las reducciones QUBO.
2. Aplicación del Mundo Real: Aplica esta formulación a datos reales de redes de media tensión de un operador principal de sistemas de distribución (Alliander), en lugar de depender únicamente de redes de prueba sintéticas.
3. Evaluación de Viabilidad mediante QRE: Proporciona una estimación rigurosa de recursos cuánticos para determinar la brecha entre las capacidades actuales y los requisitos para resolver problemas de optimización de redes del mundo real.

Los autores concluyen que, si bien los requisitos de recursos para una implementación a gran escala son actualmente prohibitivos, el trabajo demuestra la viabilidad de construir formulaciones HUBO y circuitos cuánticos para redes de MT del mundo real. Enfatizan que los resultados destacan la necesidad de algoritmos de optimización cuántica mejorados y optimizadores clásicos para gestionar los parámetros variacionales de manera eficiente. El estudio sirve como una evaluación inicial, sugiriendo que el trabajo futuro debe abordar la integración de parámetros eléctricos reales, el desarrollo de tuberías de optimización completas y el potencial para una reconfiguración casi en tiempo real en redes inteligentes con fuentes de energía distribuidas.