Newest papers

Benchmarking CPU, GPU, and ML Power-Flow Solvers from 14 to 70,000 Buses

Benjamin Donnot, Sami Tazi, Eva Boguslawski, Nourredine Henka · 2026 · arXiv

DOI: 10.48550/arXiv.2610.27930 · open-access PDF

Russian

Обученные суррогаты для вычисления потока мощности (PF) обычно мотивируются скоростью, по сравнению с одной базовой базой на основе процессора. Мы показываем, что это сравнение хрупкое: на протяжении 7 решений на основе процессора с открытым исходным кодом, оцениваемых на идентичных входах, пропускная способность варьируется примерно на 2,5-3 порядка величины, поэтому выбор базовой только может перевернуть вывод. Мы создаем ориентир, охватывающий 9 решений на основе физики: 7 решений на основе процессора и 2 решений на основе GPU, включая новый решетель GPU, gumsim2grid - и 3 опубликованных суррогатов ML, оцениваемых в рамках совместной, независимой проверки KCL-mismatch в 15 сетях

Machine translation (Meta M2M100); the English original follows.

Abstract

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

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange