Quantum Resource Estimation for Minimising Energy Grid Losses

Dit artikel stelt een gate-gebaseerde quantumcomputing-aanpak voor om het NP-moeilijke probleem van netwerkherschikking in distributienetten op te lossen voor het minimaliseren van vermogensverliezen door dit te formuleren als een hogere-orde onbeperkt binaire optimalisatie (HUBO)-model, dit toe te passen op een realistisch mediumspanningsnetwerk en een schatting van quantumresources uit te voeren om de haalbaarheid van een toekomstige implementatie te beoordelen.

De kern

Stel je voor dat je verkeersleider bent voor het wegennet van een enorme stad. Je doel is om het verkeer soepel te laten stromen en zo weinig mogelijk brandstof te verbruiken. In de wereld van elektriciteit is deze "verkeersstroom" de stroom van vermogen, en de "brandstof" is de energie die verloren gaat als warmte wanneer elektriciteit door draden reist.

Dit artikel gaat over een team van onderzoekers dat probeert een zeer lastige puzzel op te lossen: Hoe kunnen we de schakelaars in een elektriciteitsnet zo herschikken dat er zo min mogelijk energie verloren gaat?

Hier volgt een eenvoudige uiteenzetting van hun werk, met gebruik van alledaagse analogieën:

Het Probleem: De "Onmogelijke" Puzzel

Het elektriciteitsnet is als een gigantisch, verward web van wegen. Sommige wegen (draden) kunnen worden geopend of gesloten (aan- of uitgeschakeld). Het doel is om het perfecte patroon van open en gesloten schakelaars te vinden, zodat elektriciteit het meest efficiënte pad neemt.

Het vinden van dit perfecte patroon is echter ontzettend moeilijk. Het artikel noemt dit een NP-hard probleem. Denk hierbij aan het oplossen van een Sudoku-puzzel waarbij het rooster elke keer groter wordt wanneer je een nieuwe stad toevoegt. Voor een kleine wijk kan een mens of een standaardcomputer dit oplossen. Maar voor een echte stad met miljoenen verbindingen is het aantal mogelijke combinaties zo enorm dat zelfs de snelste supercomputers ter wereld langer zouden moeten rekenen dan de leeftijd van het universum om het beste antwoord te vinden.

Het Nieuwe Idee: Een "Hogere-Orde" Kortsluiting

Meestal moeten wetenschappers deze problemen voor computers makkelijker maken door de puzzel te platteleggen tot een eenvoudige 2D-vorm (zoals het omzetten van een complex 3D-voorwerp in een platte schaduw). De auteurs van dit artikel besloten iets anders te proberen.

In plaats van het probleem plat te leggen, behielden ze de natuurlijke, complexe 3D-vorm. Ze noemen dit een HUBO (Higher-Order Unconstrained Binary Optimisation).

• De Analogie: Stel je voor dat je een koffer inpakt. De oude manier (QUBO) dwingt je om elk voorwerp in kleine, platte stukjes te breken om ze in een doos te passen, wat veel tijd en ruimte kost. De nieuwe manier (HUBO) laat je de voorwerpen inpakken zoals ze zijn, maar vereist een zeer specifieke, slimme koffer.
• Het Voordeel: Door het probleem in zijn natuurlijke, complexe vorm te houden, kunnen ze het oplossen met minder "bouwstenen" (genaamd qubits) op een quantumcomputer.

Het Experiment: Testen op Echte Wegen

De onderzoekers speelden niet alleen met theorie; ze testten dit op een echt elektriciteitsnet in Arnhem, Nederland, beheerd door een bedrijf genaamd Alliander.

• Ze splitsten het enorme net op in kleinere, hanteerbare stukken (zoals het bekijken van één wijk tegelijk).
• Ze maakten een wiskundige kaart (de HUBO) voor deze stukken.
• Vervolgens vroegen ze aan een krachtige computersimulatie: "Als we een echte quantumcomputer hadden, hoe groot zou deze dan moeten zijn om dit op te lossen?"

De Resultaten: Het is Groot, Maar Niet Onmogelijk

De simulatie gaf hen een "resource-inschatting" – een voorspelling van wat er nodig zou zijn om dit op een toekomstige quantumcomputer te draaien.

1. Grootte doet er toe (maar Vorm doet er meer toe): Ze ontdekten dat de grootte van de benodigde computer niet alleen afhing van het aantal huizen (knopen) in de wijk. Het hing sterk af van hoe verbonden de wegen waren. Een wijk met veel lussen en kruisverbindingen vereiste een enorm grotere computer dan een eenvoudige, rechte-weg-wijk, zelfs als ze hetzelfde aantal huizen hadden.
2. De Schaal: Voor de kleinste wijk die ze testten, zou de quantumcomputer ongeveer 14 "logische" qubits nodig hebben (de hersencellen van de computer). Voor de grootste wijk (Arnhem-3) zou het meer dan 61.000 logische qubits nodig hebben.
3. De Tijd: Als we de computer vandaag hadden, zou het uitvoeren van slechts één stap van de berekening lang duren (miljoenen seconden in de slechtst mogelijke scenario's voor de grote wijken). Een volledige oplossing zou nog langer duren.

De Conclusie

Het artikel concludeert dat we hoewel we vandaag de dag niet over quantumcomputers beschikken die krachtig genoeg zijn om deze echte stadsnetwerken op te lossen, de wiskunde wel werkt. Ze hebben succesvol bewezen dat:

• Je een echt elektriciteitsnetprobleem kunt vertalen naar deze nieuwe "HUBO"-taal.
• Je precies kunt inschatten hoe groot de toekomstige quantumcomputer moet zijn om het op te lossen.

Wat dit betekent voor de toekomst:
Dit is geen toverstaf die het net morgen repareert. In plaats daarvan is het een blauwdruk. Het vertelt ingenieurs: "Als je een quantumcomputer wilt bouwen die miljoenen euro's aan energieverliezen voor Nederlandse steden kan besparen, dan is dit precies hoe groot en krachtig die machine moet zijn." Het effent de weg voor toekomstig werk om die machines te bouwen en deze optimalisaties uiteindelijk in real-time uit te voeren.

Technische samenvatting

Technische Samenvatting: Kwantumhulpbroninschatting voor het Minimaliseren van Energieverlies in Netwerken

Probleemstelling
Herconfiguratie van distributienetwerken (DNR) heeft tot doel energieverliezen in elektriciteitsnetwerken te minimaliseren door het identificeren van de optimale netwerktopologie via het openen en sluiten van schakelaars. Hoewel deze capaciteit cruciaal is voor het verlichten van netcongestie en het verminderen van koolstofemissies, is het bepalen van de configuratie met minimale verliezen een NP-hard probleem. Klassieke optimalisatiemethoden hebben moeite om te schalen naar de combinatorische complexiteit van real-world distributienetwerken, met name die met meshed infrastructuur die radiaal wordt bediend, zoals de middenspanningsnetwerken (MV) die door Alliander in Nederland worden beheerd.

Methodologie
De auteurs stellen een op poorten gebaseerde kwantumcomputingbenadering voor om het DNR-probleem op te lossen, met name gericht op vermindering van energieverliezen. De methodologie omvat drie hoofdfasen:

1. Probleemformulering als HUBO: In tegenstelling tot eerdere werken die DNR formuleerden als een Quadratic Unconstrained Binary Optimization (QUBO)-probleem (vaak vereisend hulpvariabelen om hogere-orde beperkingen te hanteren), modelleert deze studie het probleem direct als een Higher-Order Unconstrained Binary Optimization (HUBO)-probleem.

   • Grafedecompositie: Het netwerkgraf wordt opgedeeld in biconnected componenten. Niet-triviale componenten (die cycli bevatten) worden gereduceerd tot hun topologische minor via edge lifting om het aantal knopen en kanten te verminderen terwijl cyclische structuren behouden blijven.
   • Beperkingmodelleren: Beperkingen (vertex, edge, cycle, path en implication) worden expliciet gemodelleerd als hogere-orde boete-termen binnen de HUBO-kostfunctie. Dit vermijdt de impliciete transformatie van beperkingen die in QUBO-formuleringen wordt gebruikt en elimineert de noodzaak van hulpvariabelen, waardoor het vereiste aantal qubits wordt verminderd.
   • Doel: De doelstellingsfunctie minimaliseert totale ohmse energieverliezen onder een benadering met constante-stroombelasting, gewogen tegen de boete-termen die radialiteit en connectiviteit afdwingen.

2. Kwantumalgoritme-mapping: De HUBO-formulering wordt gemapt naar een kwantumkostoperator ($U_{HUBO}$) en een mixer-operator ($U_{mix}$). Deze operators zijn ontworpen voor gebruik in variational kwantumalgoritmen zoals het Quantum Approximate Optimization Algorithm (QAOA) of de bias-field Digitised Counterdiabatic Quantum Optimization (bf-DCQO). De binaire variabelen worden gemapt naar spinvariabelen, en de kostfunctie wordt omgezet in een Pauli-Hamiltoniaan.

3. Kwantumhulpbroninschatting (QRE): De studie lost het probleem niet op op echte hardware, maar voert een hulpbroninschatting uit om toekomstige haalbaarheid te beoordelen. Met behulp van de Microsoft Quantum Resource Estimator berekenen de auteurs het aantal logische qubits en logische rotatiepoorten dat nodig is om één optimalisatielaag te implementeren. Deze logische vereisten worden vervolgens vertaald naar fysieke hulpbroninschattingen (fysieke qubits en runtime) voor zes verschillende hardwareconfiguraties, inclusief op poorten gebaseerde en Majorana-qubittechnologieën, rekening houdend met oppervlakcode-foutcorrectie.

Belangrijkste Resultaten
De studie past dit kader toe op een benchmark IEEE-33 testnetwerk en real-world biconnected componenten uit het MV-netwerk van Alliander in Arnhem.

• Schalbaarheid van Interactietermen: De resultaten geven aan dat het aantal HUBO-interactietermen combinatorisch groeit met de netwerkgrootte. Een kleine component (Arnhem-0) vereist bijvoorbeeld 42 interactietermen, terwijl een grotere component (Arnhem-3, met 309 knopen) resulteert in meer dan $4,08 \times 10^8$ interactietermen.
• Structurele Afhankelijkheid: Hulpbronvereisten worden niet alleen gedreven door het aantal knopen en kanten, maar aanzienlijk door structurele kenmerken zoals connectiviteit en cyclisiteit. Componenten met een hogere kantdichtheid produceren aanzienlijk meer interactietermen.
• Hulpbroninschattingen:
  • Logische Hulpbronnen: De grootste component (Arnhem-3) vereist ongeveer 61.172 logische qubits en bijna $5 \times 10^8$ logische rotatiepoorten voor een enkele optimalisatielaag.
  • Fysieke Hulpbronnen: De geschatte fysieke runtime voor een enkele laag loopt op tot $10^7$ seconden, afhankelijk van de hardwareconfiguratie en foutpercentages. De auteurs merken op dat een volledige optimalisatiepijplijn meerdere toepassingen van de operator vereist, wat de totale runtimes mogelijk kan opdrijven tot $10^8$–$10^9$ seconden.

Betekenis en Beweringen
Het artikel claimt originaliteit op drie specifieke gebieden:

1. Directe HUBO-formulering: Het formuleert het DNR-probleem direct als een HUBO zonder hulpvariabelen, wat een directere representatie biedt van fysieke en topologische beperkingen in vergelijking met QUBO-reducties.
2. Real-world Toepassing: Het past deze formulering toe op echte middenspanningsnetwerkdata van een grote distributiesysteemoperator (Alliander), in plaats van uitsluitend te vertrouwen op synthetische testnetwerken.
3. Haalbaarheidbeoordeling via QRE: Het biedt een rigoureuze kwantumhulpbroninschatting om de kloof te bepalen tussen huidige capaciteiten en de vereisten voor het oplossen van real-world netwerkoptimalisatieproblemen.

De auteurs concluderen dat hoewel de hulpbronvereisten voor volledige schaalimplementatie momenteel prohibitief zijn, het werk de haalbaarheid aantoont van het construeren van HUBO-formuleringen en kwantumcircuits voor real-world MV-netwerken. Ze benadrukken dat de resultaten de noodzaak onderstrepen van verbeterde kwantumoptimalisatiealgoritmen en klassieke optimalisatoren om de variatieparameters efficiënt te beheren. De studie dient als een initiële beoordeling, wat suggereert dat toekomstig werk de integratie van echte elektrische parameters, de ontwikkeling van complete optimalisatiepijplijnen en het potentieel voor near real-time herconfiguratie in smart grids met gedistribueerde energiebronnen moet aanpakken.