Quantum Resource Estimation for Minimising Energy Grid Losses

本文提出一种基于门控的量子计算方法，通过将配电网络重构问题（旨在最小化功率损耗）建模为高阶无约束二进制优化（HUBO）模型，将其应用于真实的中压网络，并进行量子资源估算以评估未来实施的可行性。

要点

想象一下，你是某座超大城市道路网络的交通指挥官。你的目标是让交通顺畅流动，并尽可能减少燃料消耗。在电力世界中，这种“交通”就是电力的流动，而“燃料”则是电流流经导线时以热量形式损耗的能量。

本文讲述的是一支研究团队试图解决一个极其棘手的谜题：我们如何重新排列电网中的开关，以最小化能量浪费？

以下是他们工作的简明拆解，辅以日常类比：

问题：一个“不可能”的谜题

电网就像一个巨大而错综复杂的道路网。某些道路（导线）可以打开或关闭（接通或断开开关）。目标是找到最佳的开关开闭模式，使电力走最高效的路径。

然而，找到这种完美模式极其困难。论文称这是一个NP 难问题。想象一下，你试图解一个数独谜题，但每增加一座新城市，谜题的网格就会变大。对于一个小街区，人类或普通计算机可以解决。但对于拥有数百万连接的真实城市，可能的组合数量如此庞大，以至于即使世界上最快的超级计算机，也需要比宇宙年龄更长的时间才能找到最佳答案。

新想法：一种“高阶”捷径

通常，为了让这些问题更易于计算机处理，科学家必须将谜题“扁平化”成简单的二维形状（就像将复杂的三维物体压成平面阴影）。本文作者决定尝试不同的方法。

他们没有将问题扁平化，而是保留了其天然的复杂三维形态。他们称之为HUBO（高阶无约束二进制优化）。

• 类比：想象你在收拾行李箱。旧方法（QUBO）强迫你将每件物品拆解成微小的扁平碎片，以便塞进箱子，这既耗时又占空间。新方法（HUBO）允许你按物品原样打包，但需要一个非常特定且智能的行李箱。
• 优势：通过将问题保持在其天然的复杂形态中，他们可以在量子计算机上使用更少的“构建模块”（称为量子比特）来求解。

实验：在真实道路上测试

研究人员并未止步于理论；他们在荷兰阿纳姆（Arnhem）由 Alliander 公司管理的真实电网上进行了测试。

• 他们将庞大的电网分解为更小、更易管理的区块（就像一次只观察一个街区）。
• 他们为这些区块创建了数学地图（即 HUBO）。
• 随后，他们向一个强大的计算机模拟提问：“如果我们拥有一台真实的量子计算机，解决此问题需要多大的规模？”

结果：规模庞大，但并非不可能

模拟给出了“资源估算”——即预测在未来量子计算机上运行此任务所需的条件。

1. 规模重要，但形态更重要：他们发现，所需计算机的规模不仅取决于街区中有多少户（节点），还高度依赖于道路的连接程度。即使两个街区拥有相同数量的住户，一个拥有大量环路和交叉连接的街区，所需的计算机规模也要比简单直线型街区大得多。
2. 规模量级：对于他们测试的最小街区，量子计算机大约需要 14 个“逻辑”量子比特（计算机的“脑细胞”）。对于最大的街区（阿纳姆 -3），则需要超过61,000 个逻辑量子比特。
3. 时间：如果我们今天拥有这台计算机，仅运行计算的单一步骤就需要很长时间（对于大型街区，在最坏情况下需数百万秒）。完整解决方案所需时间会更长。

核心结论

论文得出结论：虽然我们今天尚未拥有足以解决这些真实城市电网问题的量子计算机，但数学原理是成立的。他们成功证明了：

• 可以将真实的电网问题转化为这种新的"HUBO"语言。
• 可以精确估算未来解决该问题所需的量子计算机规模。

这对未来的意义：
这并非明天就能修复电网的“魔杖”。相反，它是一份蓝图。它告诉工程师：“如果你想建造一台能为荷兰城市节省数百万欧元能量损耗的量子计算机，那么这台机器需要具体达到多大、多强的性能。”它为未来建造这些机器并最终实时运行这些优化方案铺平了道路。

技术摘要

技术摘要：最小化电网损耗的量子资源估算

问题陈述
配电网重构（DNR）旨在通过开关的断开与闭合来识别最优网络拓扑，从而最小化电力网络中的功率损耗。虽然这一能力对于缓解电网拥堵和减少碳排放至关重要，但确定最小损耗配置是一个 NP 难问题。经典优化方法难以扩展到现实世界配电网的组合复杂性，特别是那些以辐射状运行的网状基础设施，例如荷兰 Alliander 公司管理的中压（MV）网络。

方法论
作者提出了一种基于门控的量子计算方法来解决 DNR 问题，重点关注功率损耗的降低。该方法涉及三个主要阶段：

1. 作为 HUBO 的问题表述：与以往将 DNR 表述为二次无约束二进制优化（QUBO）问题（通常需要辅助变量来处理高阶约束）的研究不同，本研究将问题直接建模为高阶无约束二进制优化（HUBO）问题。

   • 图分解：将网络图分解为双连通分量。非平凡分量（包含环路的分量）通过边提升（edge lifting）简化为其拓扑子图，以减少节点和边的数量，同时保留环路结构。
   • 约束建模：约束（顶点、边、环路、路径和蕴含）被明确建模为 HUBO 成本函数中的高阶惩罚项。这避免了 QUBO 表述中使用的约束隐式转换，并消除了对辅助变量的需求，从而减少了所需的量子比特数量。
   • 目标：目标函数在恒定电流负载近似下最小化总欧姆功率损耗，并根据强制辐射性和连通性的惩罚项进行加权。

2. 量子算法映射：HUBO 公式被映射到量子成本算符（$U_{HUBO}$）和混合算符（$U_{mix}$）。这些算符专为变分量子算法（如量子近似优化算法 QAOA 或偏置场数字化反绝热量子优化 bf-DCQO）设计。二进制变量被映射为自旋变量，成本函数被转换为泡利哈密顿量。

3. 量子资源估算（QRE）：该研究并未在实际硬件上解决问题，而是进行资源估算以评估未来的可行性。利用微软量子资源估算器，作者计算了实现一个优化层所需的逻辑量子比特数量和逻辑旋转门数量。随后，这些逻辑需求被转化为六种不同硬件配置（包括基于门控和 Majorana 量子比特技术）的物理资源估算（物理量子比特和运行时间），并考虑了表面码纠错。

关键结果
该研究将此框架应用于基准 IEEE-33 测试网络以及来自 Alliander 在阿纳姆（Arnhem）的中压网络的真实世界双连通分量。

• 交互项的可扩展性：结果表明，HUBO 交互项的数量随网络规模呈组合级增长。例如，一个小型分量（Arnhem-0）需要 42 个交互项，而一个较大的分量（Arnhem-3，包含 309 个节点）则产生超过 $4.08 \times 10^8$ 个交互项。
• 结构依赖性：资源需求不仅由节点和边的数量驱动，还显著受连通性和环路性等结构特征的影响。具有更高边密度的分量会产生更多的交互项。
• 资源估算：
  • 逻辑资源：最大的分量（Arnhem-3）需要一个优化层大约 61,172 个逻辑量子比特和近 $5 \times 10^8$ 个逻辑旋转门。
  • 物理资源：单个层的估算物理运行时间根据硬件配置和错误率最高可达 $10^7$ 秒。作者指出，完整的优化流程需要多次应用该算符，可能会将总运行时间推至 $10^8$–$10^9$ 秒。

意义与主张
该论文在以下三个具体领域声称具有创新性：

1. 直接 HUBO 表述：它将 DNR 问题直接表述为 HUBO，无需辅助变量，与 QUBO 简化相比，提供了对物理和拓扑约束更直接的表示。
2. 现实世界应用：它将此公式应用于主要配电系统运营商（Alliander）的实际中压网络数据，而不是仅依赖合成测试网络。
3. 通过 QRE 进行可行性评估：它提供了严格的量子资源估算，以确定当前能力与解决现实世界电网优化问题所需条件之间的差距。

作者得出结论，虽然全面实施的资源需求目前令人望而却步，但这项工作证明了为现实世界中压网络构建 HUBO 公式和量子电路的可行性。他们强调，结果突显了需要改进量子优化算法和经典优化器，以有效地管理变分参数。该研究作为初步评估，表明未来的工作必须解决真实电气参数的集成、完整优化流程的开发，以及在具有分布式能源的智能电网中实现近实时重构的潜力。