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 (Cornell University)

DOI: 10.48550/arxiv.2610.27930 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Chúng tôi cho thấy sự so sánh này là mỏng manh: trên 7 bộ giải pháp dựa trên CPU nguồn mở được đánh giá trên đầu vào giống hệt nhau, dung lượng thay thế thay đổi khoảng 2,5-3 thứ tự quy mô, vì vậy sự lựa chọn của đường cơ bản một mình có thể đảo ngược kết luận. Chúng tôi xây dựng một tiêu chuẩn bao gồm 9 giải pháp dựa trên vật lý: 7 giải pháp dựa trên CPU và 2 giải pháp dựa trên GPU, bao gồm một giải pháp GPU mới được đánh giá trên đầu vào, gumsim2grid - và 3 giải pháp thay thế ML được công bố, được đánh giá dưới một kiểm tra KCL-mismatch được chia sẻ, được thực hiện độc lập trên 15 lưới từ 14 đến 70.000 xe buýt. Trên chính nhiệm vụ PF, một giải pháp xử lý CPU tương đối song song hoặc gimpus2grid phù hợp chặt chẽ hoặc

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 from 14 to 70,000 buses. On the PF task itself, a sufficiently parallelized CPU solver or gpusim2grid matches or exceeds the throughput of the ML surrogates we test while remaining orders of magnitude more accurate; we find no evidence that these GNN-style surrogates are yet competitive for PF specifically, though prior work reports genuine gains on related but more combinatorial tasks such as optimal power flow or power grid control. Beyond this finding, we hope the benchmark suite, code and reference evaluator released at https://github.com/Grid2op/gpusim2grid helps close a broader reproducibility gap in this space, where batched GPU-based PF solvers are rarely open-sourced or evaluated against a common set of baselines.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Benchmarking, Benchmark (surveying), Computer science, Solver, Parallel computing, Set (abstract data type)

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