Cada día, la red eléctrica se enfrenta a un rompecabezas: qué centrales poner en marcha para cubrir la demanda de forma fiable sin arruinarse. Para 15 generadores y 24 horas, el número de posibles calendarios supera 2.3×$10^{108}$, más que los átomos en el universo visible. Ningún superordenador clásico puede examinar todas las opciones, así que los operadores buscan un compromiso. Investigadores de la Universidad de Toronto e IonQ han propuesto dividir el trabajo: el procesador cuántico descarta la paja, y el ordenador clásico pule el resultado.

El tamiz cuántico funciona así. Primero, el problema de selección del parque generador se convierte en una optimización binaria cuadrática, una forma matemática en la que cada combinación de generadores encendidos recibe una puntuación de coste y una penalización por no cubrir la demanda. Luego, un algoritmo cuántico variacional con parámetros ajustables busca las combinaciones con la puntuación más baja. Su circuito cuántico consta de capas que entrelazan los cúbits y mezclan las probabilidades, partiendo de una "arranque en caliente", es decir, una aproximación obtenida mediante relajación clásica. Tras la convergencia, el algoritmo devuelve hasta 128 combinaciones admisibles más baratas. A continuación entra en juego el método clásico de programación cuadrática secuencial: toma cada combinación y calcula con precisión cuánta potencia debe producir cada generador en cada hora para cubrir la carga al mínimo coste. El resultado es la combinación con el precio total más bajo.

Los resultados son alentadores. En el simulador, para un sistema con 10 generadores y 24 horas, el error medio de aproximación se reduce del 1.78% con una capa del circuito cuántico al 0.55% con nueve capas. Para 26 generadores, el error se estabiliza en torno al 2.5%. Es importante señalar que el número de iteraciones de optimización crece linealmente con el número de parámetros: en promedio, 8.63 iteraciones por cada parámetro adicional. El procesador cuántico real IonQ Forte mostró un error medio del 3.088% frente al 3.201% en el simulador, un acuerdo cualitativo que confirma la viabilidad del enfoque en hardware real.

Antes de este trabajo, los algoritmos cuánticos variacionales para el problema de selección del parque generador o bien daban un error grande (por ejemplo, el 8% con QAOA) o bien no escalaban a sistemas con más de 20 generadores. Ahora se ha demostrado que un enfoque híbrido, con selección cuántica de candidatos y ajuste clásico, alcanza un error inferior al 3% para 26 generadores. Esta división de roles reduce los requisitos en cuanto al número de cúbits y la profundidad del circuito, lo que hace que el método sea práctico para los procesadores cuánticos actuales. Los operadores de la red eléctrica ya pueden utilizarlo en la planificación a corto plazo, especialmente con el aumento de las fuentes renovables y la incertidumbre en la demanda.

La perspectiva va más allá. Los autores planean sustituir el algoritmo cuántico variacional por una evolución cuántica variacional en tiempo imaginario, que podría acelerar la convergencia. Para ello, es necesario adaptar el método a problemas con restricciones y desarrollar circuitos cuánticos especializados que modelen mejor el estado fundamental del hamiltoniano del problema. Queda abierta la cuestión de escalar a cientos y miles de generadores, así como la incorporación de incertidumbres en las formulaciones cuánticas. Pero ya ahora el tamiz cuántico descarta el caos de la explosión combinatoria, dejando al ordenador clásico solo un puñado de soluciones prometedoras, y eso es un paso hacia una red eléctrica que se planifica a sí misma.