Il Benchmark WARP Rivela le Carenze del Warm-Start ML per AC-OPF

Uno studio recente pubblicato su arXiv (2605.05728) presenta WARP, un benchmark volto a valutare le capacità di warm-start primale-duale dei solver a punti interni nel flusso di potenza ottimale in corrente alternata (AC-OPF). I ricercatori rivelano che i precedenti approcci di machine learning, che riportavano riduzioni di iterazioni del 30-46%, si basavano su un baseline inappropriato—l'avvio piatto—piuttosto che sul default effettivo del solver, il punto medio dei vincoli variabili. Quando valutati rispetto a questo baseline corretto, nessuna tecnica di warm-start solo primale ottiene una riduzione delle iterazioni del solver. Questa inadeguatezza è legata a una caratteristica geometrica: l'accuratezza delle previsioni primali è inversamente correlata alla velocità di convergenza, e fornire la soluzione ottimale vera senza variabili duali porta alla divergenza. Test oracle confermano la necessità delle informazioni duali per un warm-start efficace.