Benjamin Donnot, Sami Tazi, Eva Boguslawski, Nourredine Henka · 2026 · arXiv
DOI: 10.48550/arXiv.2610.27930 · open-access PDF
تظهر هذه المقارنة ضعيفة: على سبيل المثال، على سبيل المثال، على سبيل المثال، على سبيل المثال، على سبيل المثال، على سبيل المثال، على سبيل المثال، على سبيل المثال، على سبيل المثال، على سبيل المثال، على سبيل المثال، على سبيل المثال، على سبيل المثال، على سبيل المثال، على سبيل المثال، على سبيل المثال، على سبيل المثال، على سبيل المثال، على سبيل المثال، على سبيل المثال، على سبيل المثال، على سبيل المثال، على سبيل المثال، على سبيل المثال.
Machine translation (Meta M2M100); the English original follows.
Learned surrogates for power-flow (PF) computation are usually motivated by speed, compared against a single CPU-based baseline. We show this comparison is fragile: across 7 open-source CPU-based solvers evaluated on identical inputs, throughput varies by roughly 2.5-3 orders of magnitude, so the choice of baseline alone can flip the conclusion. We build a benchmark spanning 9 physics-based solvers: 7 CPU-based and 2 GPU-based, including a new batched GPU solver, gumsim2grid - and 3 published ML surrogates, evaluated under a shared, independently implemented KCL-mismatch check across 15 grids
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.27930, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange