The Signal

IonQ ed EPB: il 95,8% di parametri in meno in un test sull’AI per la rete elettrica

IonQ ed EPB, azienda di servizi pubblici di Chattanooga, riferiscono che in un test su una rete elettrica a 33 bus un modello ibrido quantistico-classico ha utilizzato il 95,8% di parametri addestrabili in meno rispetto a una rete neurale c

Quantum.world Team · Scritto con l’IA · verificato · 2026-10-28

Una rete Q più piccola, la stessa soglia di convergenza

Il 28 ottobre IonQ ha dichiarato che un modello ibrido quantistico-classico di apprendimento per rinforzo, sviluppato con EPB, azienda di servizi pubblici di Chattanooga, ha raggiunto un benchmark di addestramento con il 95,8% di parametri addestrabili in meno rispetto al suo equivalente classico. Nel confronto, un modello quantistico a 16 qubit ha utilizzato 9.156 parametri; una rete classica con 128 unità nascoste ne ha utilizzati 220.052. Entrambi hanno raggiunto la soglia di convergenza dello studio all’episodio 892.

Il risultato riguarda le dimensioni di una rete neurale usata per scegliere le azioni di commutazione sulla rete elettrica, non una riduzione del 95,8% del numero di parametri del modello fisico della rete, delle apparecchiature di rete o dei costi operativi. I ricercatori hanno testato i modelli sul sistema di distribuzione IEEE a 33 bus, usando quattro seed casuali per il confronto delle dimensioni dei modelli. Riferiscono la stessa ricompensa finale media per il modello a 16 qubit e quello a 128 unità, pur osservando che il modello a 16 qubit non ha trovato l’ottimo esatto con ogni seed.

«I nostri risultati mostrano che le reti Q potenziate dalla tecnologia quantistica possono ottenere ricompense più elevate con meno parametri rispetto al loro equivalente classico, suggerendo che queste architetture siano una direzione promettente per l’ottimizzazione combinatoria dei sistemi elettrici».

Daniel Germain et al., EPB Quantum and IonQ

Tre approcci alla riconfigurazione delle reti di distribuzione

Il lavoro riguarda la riconfigurazione delle reti di distribuzione, o DNR: scegliere quali interruttori aprire o chiudere per modificare i flussi di energia mantenendo la rete in una configurazione consentita. Le aziende di servizi pubblici ricorrono alla riconfigurazione per perseguire obiettivi come la riduzione delle perdite di linea e il bilanciamento dei carichi. Il compito diventa più complesso man mano che alle reti si aggiungono apparecchiature di commutazione e risorse distribuite, come fonti rinnovabili e microreti.

Il risultato sull’efficienza nell’uso dei parametri è uno dei tre filoni di ricerca messi in evidenza da IonQ. Un secondo articolo combina il campionamento quantistico con un risolutore classico a programmazione intera mista; gli autori hanno valutato sei reti da 33 a 417 bus. Per la rete più grande del test, riferiscono che il campionamento su hardware ha trovato una configurazione che si discosta di circa l’1,4% dalla perdita di riferimento, mentre il risolutore classico guidato ha raggiunto un risultato entro l’1% dal proprio obiettivo, con un tempo mediano di risoluzione inferiore a quello della versione non guidata nei sei sistemi testati.

Un terzo articolo usa una codifica basata sullo scambio di rami e l’evoluzione quantistica in tempo immaginario con inizializzazione warm-start. Gli autori riferiscono configurazioni a perdite minime in sei dei dieci casi di test e risultati superiori dello 0,2%-2,18% al minimo di riferimento riportato negli altri quattro. Questi risultati provengono da metodi e casi di test distinti: non vanno letti come un unico confronto diretto.

Le prove sull’hardware testano l’inferenza, non il controllo di una rete elettrica in esercizio

Per lo studio sull’apprendimento per rinforzo, il team ha anche eseguito modelli addestrati a 12 qubit sul processore Forte Enterprise-1 di IonQ. Nel caso IEEE a 33 bus, la strategia eseguita sull’hardware ha ritrovato la configurazione ottimale nota. Nel caso IEEE a 69 bus, le perdite di linea riportate erano superiori di circa lo 0,30% all’ottimo simulato.

Il dato del 95,8% riportato nell’articolo, tuttavia, proviene dal confronto sull’addestramento nel sistema a 33 bus, non dalla dimostrazione sull’hardware. Le prove sull’hardware hanno misurato le prestazioni dei modelli addestrati nell’inferenza su sistemi benchmark; non mostrano il sistema mentre gestisce una rete elettrica in esercizio di un’azienda di servizi pubblici. Lo studio precisa inoltre che il confronto sulle dimensioni dei modelli più grandi non è stato condotto sul sistema a 69 bus perché la simulazione dei circuiti quantistici era costosa.

I preprint delimitano la portata dei risultati

I tre articoli sono apparsi su arXiv nel settembre 2026; quello sulla DNR in due fasi è stato rivisto il 12 ottobre. Il risultato del 95,8% appartiene allo studio sull’apprendimento profondo per rinforzo potenziato dalla tecnologia quantistica, i cui autori lo descrivono come un risultato di efficienza nell’uso dei parametri per le architetture testate. I limiti del benchmark e dei seed sono importanti: l’articolo chiede di condurre test su spazi di configurazione più ampi per valutare come si comporti l’approccio al crescere del problema.

EPB e IonQ presentano la collaborazione anche come un’iniziativa di formazione professionale. IonQ afferma che EPB ha formato otto borsisti nel settore quantistico attraverso un programma sostenuto da una sovvenzione di 4 milioni di dollari del National Institute of Standards and Technology, assegnata nel 2024. Per ora, le prove concrete consistono in una serie di studi benchmark, comprese esecuzioni di inferenza sull’hardware di IonQ, non nell’impiego sulla rete di distribuzione in esercizio di EPB.