The Signal
Uno studio rileva che il solutore ibrido quantistico per la rete elettrica non ha superato il campionamento casuale
Uno studio pubblicato su Scientific Reports ha rilevato che un metodo ibrido quantistico-classico simulato non ha ottenuto risultati migliori del campionamento casuale uniforme nei test di ottimizzazione della rete elettrica. Il confronto ha riguardato casi generati casualmente con da 5 a 13 generatori e ha ipotizzato che le operazioni quantistiche non richiedessero tempo.

Un difficile problema di programmazione della rete
Secondo uno studio pubblicato su Scientific Reports, nelle simulazioni di problemi di programmazione della rete elettrica un approccio ibrido quantistico-classico non ha ottenuto risultati migliori del campionamento casuale uniforme. L’articolo è uscito l’11 novembre 2026 e le simulazioni hanno riguardato casi generati casualmente con da 5 a 13 generatori.
Igor Gaidai e Rick Mukherjee hanno testato un problema a periodo singolo di flusso di potenza ottimale in corrente alternata e di unit commitment, o AC-OPF-UC. Il problema combina le decisioni su quali generatori attivare, rappresentate da variabili binarie, con variabili continue regolate da vincoli non lineari di flusso di potenza in corrente alternata.
Due approcci, uno efficiente in termini di qubit
I ricercatori hanno preso in esame due modi di applicare l’ottimizzazione quantistica. Nel primo, l’algoritmo di ottimizzazione approssimata quantistica, o QAOA, è stato applicato a una versione del problema completamente discretizzata, codificando i vincoli di uguaglianza e disuguaglianza con termini di penalità e variabili di slack.
Gli autori affermano che questo approccio di codifica completa richiederebbe centinaia di qubit anche per sistemi piccoli, quindi non ne hanno confrontato le prestazioni. Il loro secondo approccio separava le variabili binarie e continue del problema: la componente quantistica gestiva le scelte sullo stato dei generatori, mentre l’ottimizzazione classica calcolava le variabili continue del flusso di potenza per ogni scelta campionata.
Confronto con la ricerca classica
Il gruppo ha confrontato il metodo ibrido efficiente in termini di qubit con SCIP, un risolutore classico per problemi a variabili intere miste; SMAC, che ottimizza le variabili binarie tramite ottimizzazione bayesiana; e il campionamento casuale uniforme. Quest’ultimo campiona combinazioni degli stati dei generatori senza ottimizzarne la selezione. I ricercatori hanno valutato la qualità delle soluzioni usando un rapporto di approssimazione, definito come il costo della stringa di bit ottimale diviso per il costo della stringa di bit campionata; valori più alti indicano risultati migliori.
Nel dataset con cinque generatori, gli autori riferiscono che il metodo ibrido, SMAC e il campionamento uniforme hanno tutti trovato soluzioni ottimali in pochi secondi. In tutte le istanze, che prevedevano solo 32 possibili assegnazioni degli stati dei generatori, ciascun metodo ha raggiunto un rapporto di approssimazione pari a uno. Il gruppo ha assegnato a ogni istanza un limite di 30 minuti; SCIP non è riuscito a trovare soluzioni ammissibili nella maggior parte dei casi ed è stato escluso dai confronti successivi.
Limiti della simulazione e dimensioni
Per il dataset con 13 generatori, l’articolo afferma che i metodi ibrido, SMAC e uniforme hanno mostrato prestazioni quasi identiche, con SMAC leggermente indietro rispetto agli altri due. Nei test con da 10 a 13 generatori, i ricercatori non hanno riscontrato differenze significative tra il campionamento ibrido e quello uniforme ai tempi di esecuzione intermedi.
Il confronto dei tempi ha adottato un’ipotesi favorevole al metodo quantistico: la preparazione dello stato quantistico è stata simulata e il tempo impiegato per la simulazione non è stato conteggiato. Gli autori hanno invece trattato le operazioni quantistiche come se non richiedessero tempo; il risultato è quindi un benchmark di simulazione basato su un’ipotesi idealizzata sui tempi, non un’esecuzione su hardware quantistico.
Gaidai e Mukherjee attribuiscono in parte la mancata separazione tra i metodi alle dimensioni dei problemi testati: il campionamento casuale poteva raggiungere stringhe di bit buone prima che l’ottimizzazione variazionale avesse modificato in modo significativo la propria distribuzione di campionamento. Stimano che sarebbe necessario testare sistemi con almeno 24 generatori prima che l’approccio ibrido possa superare il campionamento uniforme, ma affermano che farlo con la loro metodologia richiederebbe circa 10 milioni di ore CPU, oltre la loro capacità di calcolo.
Fonti
Notizie correlate
- IonQ ed EPB: il 95,8% di parametri in meno in un test sull’AI per la rete elettrica
- Secondo i ricercatori, il metodo QUBO senza variabili di slack per il problema dello zaino ottiene i risultati migliori
- Ricercatori di Jülich individuano limiti oscillanti in un modello di Ising esatto
- Ricercatori propongono un benchmark comune per la simulazione fotonica
- Uno studio riporta rapporti Max-Cut simulati più elevati con QAOA su qubit cat