Quantum Resource Estimation for Minimising Energy Grid Losses

Resumo Técnico: Estimativa de Recursos Quânticos para Minimização de Perdas na Rede Elétrica

Declaração do Problema
A Reconfiguração de Rede de Distribuição (DNR) visa minimizar as perdas de potência em redes elétricas, identificando a topologia de rede ótima através da abertura e fechamento de chaves. Embora essa capacidade seja crucial para aliviar o congestionamento da rede e reduzir as emissões de carbono, determinar a configuração de perda mínima é um problema NP-difícil. Os métodos clássicos de otimização lutam para escalar até a complexidade combinatória das redes de distribuição do mundo real, particularmente aquelas com infraestruturas em malha operadas radialmente, como as redes de média tensão (MV) gerenciadas pela Alliander na Holanda.

Metodologia
Os autores propõem uma abordagem de computação quântica baseada em portas para resolver o problema de DNR, focando especificamente na redução de perdas de potência. A metodologia envolve três etapas principais:

1. Formulação do Problema como HUBO: Diferentemente de trabalhos anteriores que formularam a DNR como um problema de Otimização Binária Não Constrained Quadrática (QUBO) (frequentemente exigindo variáveis auxiliares para lidar com restrições de ordem superior), este estudo modela o problema diretamente como um problema de Otimização Binária Não Constrained de Ordem Superior (HUBO).

   • Decomposição de Grafos: O grafo da rede é decomposto em componentes biconectados. Componentes não triviais (aqueles contendo ciclos) são reduzidos aos seus menores topológicos via elevação de arestas para reduzir contagens de nós e arestas, preservando estruturas de ciclos.
   • Modelagem de Restrições: Restrições (vértice, aresta, ciclo, caminho e implicação) são modeladas explicitamente como termos de penalidade de ordem superior dentro da função de custo HUBO. Isso evita a transformação implícita de restrições usada em formulações QUBO e elimina a necessidade de variáveis auxiliares, reduzindo assim o número de qubits necessários.
   • Objetivo: A função objetivo minimiza as perdas totais de potência ôhmica sob uma aproximação de carga de corrente constante, ponderada contra os termos de penalidade que impõem radialidade e conectividade.

2. Mapeamento do Algoritmo Quântico: A formulação HUBO é mapeada para um operador de custo quântico ($U_{HUBO}$) e um operador misturador ($U_{mix}$). Esses operadores são projetados para uso em algoritmos quânticos variacionais, como o Algoritmo Quântico Aproximado de Otimização (QAOA) ou a Otimização Quântica Contradiabática Digitalizada com Campo de Viés (bf-DCQO). As variáveis binárias são mapeadas para variáveis de spin, e a função de custo é convertida em um Hamiltoniano de Pauli.

3. Estimativa de Recursos Quânticos (QRE): O estudo não resolve o problema em hardware real, mas realiza uma estimativa de recursos para avaliar a viabilidade futura. Utilizando o Estimador de Recursos Quânticos da Microsoft, os autores calculam o número de qubits lógicos e portas de rotação lógicas necessárias para implementar uma camada de otimização. Esses requisitos lógicos são então traduzidos em estimativas de recursos físicos (qubits físicos e tempo de execução) para seis configurações de hardware diferentes, incluindo tecnologias de qubits baseados em portas e Majorana, levando em conta a correção de erros de código de superfície.

Principais Resultados
O estudo aplica essa estrutura a uma rede de teste IEEE-33 de referência e a componentes biconectados do mundo real da rede MV da Alliander em Arnhem.

• Escalabilidade dos Termos de Interação: Os resultados indicam que o número de termos de interação HUBO cresce combinatoriamente com o tamanho da rede. Por exemplo, um componente pequeno (Arnhem-0) requer 42 termos de interação, enquanto um componente maior (Arnhem-3, com 309 nós) resulta em mais de $4,08 \times 10^8$ termos de interação.
• Dependência Estrutural: Os requisitos de recursos são impulsionados não apenas pelo número de nós e arestas, mas significativamente por características estruturais, como conectividade e ciclicidade. Componentes com maior densidade de arestas produzem substancialmente mais termos de interação.
• Estimativas de Recursos:
  • Recursos Lógicos: O maior componente (Arnhem-3) requer aproximadamente 61.172 qubits lógicos e quase $5 \times 10^8$ portas de rotação lógicas para uma única camada de otimização.
  • Recursos Físicos: O tempo de execução físico estimado para uma única camada varia até $10^7$ segundos, dependendo da configuração de hardware e das taxas de erro. Os autores observam que um pipeline de otimização completo exigiria múltiplas aplicações do operador, potencialmente empurrando os tempos de execução totais para $10^8$–$10^9$ segundos.

Significado e Alegações
O artigo alega novidade em três áreas específicas:

1. Formulação Direta HUBO: Enquadra o problema de DNR diretamente como um HUBO sem variáveis auxiliares, oferecendo uma representação mais direta de restrições físicas e topológicas em comparação com reduções QUBO.
2. Aplicação do Mundo Real: Aplica essa formulação a dados reais de rede de média tensão de um grande operador de sistema de distribuição (Alliander), em vez de depender exclusivamente de redes de teste sintéticas.
3. Avaliação de Viabilidade via QRE: Fornece uma estimativa rigorosa de recursos quânticos para determinar a lacuna entre as capacidades atuais e os requisitos para resolver problemas de otimização de rede do mundo real.

Os autores concluem que, embora os requisitos de recursos para implementação em escala total sejam atualmente proibitivos, o trabalho demonstra a viabilidade de construir formulações HUBO e circuitos quânticos para redes MV do mundo real. Eles enfatizam que os resultados destacam a necessidade de algoritmos de otimização quântica aprimorados e otimizadores clássicos para gerenciar os parâmetros variacionais de forma eficiente. O estudo serve como uma avaliação inicial, sugerindo que trabalhos futuros devem abordar a integração de parâmetros elétricos reais, o desenvolvimento de pipelines de otimização completos e o potencial para reconfiguração em tempo quase real em redes inteligentes com fontes de energia distribuídas.