Энергосистема каждые сутки решает головоломку: какие электростанции запустить, чтобы надёжно покрыть спрос и не разориться. Для 15 генераторов и 24 часов число возможных расписаний превышает 2.3×$10^{108}$ — больше, чем атомов в видимой Вселенной. Перебрать все варианты не может ни один классический суперкомпьютер, поэтому диспетчеры ищут компромисс. Исследователи из Университета Торонто и IonQ предложили разделить труд: квантовый процессор отсеивает мусор, а классический компьютер отшлифовывает результат.

Квантовое сито работает так. Сначала задачу выбора состава генерирующего оборудования превращают в квадратичную бинарную оптимизацию — математическую форму, где каждая комбинация включённых генераторов получает оценку стоимости и штраф за нехватку мощности. Затем вариационный квантовый алгоритм с настраиваемыми параметрами ищет комбинации с наименьшей оценкой. Его квантовая схема состоит из слоёв, которые запутывают кубиты и смешивают вероятности, начиная с «тёплого старта» — приближения, полученного классической релаксацией. После сходимости алгоритм выдаёт до 128 наиболее дешёвых допустимых комбинаций. Дальше вступает классический метод последовательного квадратичного программирования: он берёт каждую комбинацию и точно рассчитывает, сколько мощности должен выдать каждый генератор в каждый час, чтобы покрыть нагрузку с минимальной стоимостью. Итог — комбинация с наименьшей общей ценой.

Результаты обнадёживают. На симуляторе для системы с 10 генераторами и 24 часами средняя ошибка аппроксимации снижается с 1.78% при одном слое квантовой схемы до 0.55% при девяти слоях. Для 26 генераторов ошибка стабилизируется около 2.5%. Важно, что число итераций оптимизации растёт линейно с числом параметров: в среднем 8.63 итерации на каждый дополнительный параметр. Настоящий квантовый процессор IonQ Forte показал среднюю ошибку 3.088% против 3.201% на симуляторе — качественное согласие, подтверждающее работоспособность подхода на реальном железе.

До этой работы вариационные квантовые алгоритмы для задачи выбора состава генерирующего оборудования либо давали большую ошибку — например, 8% у QAOA, — либо не масштабировались на системы с более чем 20 генераторами. Теперь показано, что гибридный подход с квантовым отбором кандидатов и классической доводкой достигает ошибки менее 3% для 26 генераторов. Такое разделение ролей снижает требования к числу кубитов и глубине схемы, делая метод практичным для современных квантовых процессоров. Операторы энергосистем уже сегодня могут использовать его в краткосрочном планировании, особенно при росте доли возобновляемых источников и неопределённости нагрузки.

Перспектива уходит дальше. Авторы планируют заменить вариационный квантовый алгоритм на вариационную квантовую эволюцию в мнимом времени, которая может ускорить сходимость. Для этого нужно адаптировать метод к задачам с ограничениями и разработать специализированные квантовые схемы, лучше моделирующие основное состояние гамильтониана задачи. Остаётся открытым вопрос масштабирования до сотен и тысяч генераторов, а также учёт неопределённостей в квантовых постановках. Но уже сейчас квантовое сито отсеивает хаос комбинаторного взрыва, оставляя классическому компьютеру лишь горсть перспективных решений — и это шаг к энергосистеме, которая планирует себя сама.