IBM Research e ETH Zurich publicaram GENCO (GEometric Neural Corrective Optimizer) em 10 de agosto — uma arquitetura neural única substituindo três solucionadores clássicos para análise em estado estacionário de redes elétricas: fluxo de potência (PF), fluxo de potência ótimo (OPF) e estimação de estado (SE). Benchmark: 30x mais rápido que Newton-Raphson em PF em larga escala, e 85x mais rápido que IPOPT em OPF, enquanto retorna resultados totalmente precisos em AC em vez da aproximação DC que a maioria das alternativas rápidas utiliza.

Os solucionadores clássicos forçam uma escolha. Newton-Raphson resolve fluxo de potência AC não linear iterativamente, mas se torna caro e frágil em redes de transmissão grandes — passes de convergência são custosos e o método falha em topologias sob estresse. IPOPT, o solucionador OPF de ponto interior padrão, tem limites de escala idênticos: lida com planejamento offline, mas falha em despacho em tempo real com alta variabilidade de renováveis. DC-PF contorna ambos linearizando equações e eliminando potência reativa, executando rapidamente — mas o erro de aproximação se agrava em redes altamente carregadas. Operadores de rede hoje escolhem entre precisão e velocidade. GENCO afirma oferecer ambas.

A arquitetura é uma rede neural de grafo com barras como nós e linhas de transmissão como arestas. A inovação-chave: uma camada de "otimizador corretivo". A rede produz uma solução aproximada e então a projeta de volta para a variedade fisicamente viável. Isso bloqueia o modo de falha de solucionadores OPF neurais anteriores, que produzem saídas inviáveis violando as leis de Kirchhoff ou limites de geradores. Para PF, GENCO corresponde à convergência DC-PF enquanto recupera magnitudes de tensão e potência reativa — dados que DC-PF descarta. Para OPF, melhora viabilidade e otimalidade sobre DC-OPF. Para SE, estabiliza sob medições SCADA ruidosas e erros de parâmetros de rede onde mínimos quadrados ponderados clássicos divergem.

Testes no mundo real fortalecem a afirmação. A equipe validou GENCO em dados SCADA da Hydro-Québec, não apenas em benchmarks sintéticos. O artigo também estabelece os benchmarks PFDelta e OPFData e libera milhões de cenários PF e OPF através de diversas topologias de rede — um padrão de benchmark reproduzível notavelmente ausente neste subcampo, que dificultava comparações lado a lado entre solucionadores neurais.

O GridFM Development Framework é lançado junto com o modelo, padronizando geração de dados sintéticos e treinamento em um ambiente low-code voltado para engenheiros de sistemas de potência sem experiência em ML. Os autores posicionam GENCO como um passo em direção a um Grid Foundation Model — análogo a como modelos de linguagem grandes unificaram tarefas de NLP sob um backbone pré-treinado único.

Restrições permanecem. GENCO tem como alvo análise AC em estado estacionário apenas em redes de transmissão. Simulação dinâmica — propagação de falhas, estabilidade transitória, resposta sub-segundo — não é abordada. Os speedups 30x e 85x são comparados com solucionadores clássicos single-threaded; operadores de produção frequentemente executam Newton-Raphson paralelizado ou IPOPT warm-started, o que comprime essa margem. Generalização para topologias de rede não vistas é uma questão aberta em um domínio onde operadores reconfiguram ativos regularmente.

Para arquitetos de despacho em tempo real: se latência Newton-Raphson é um gargalo e sua equipe pode retreinar na sua topologia usando o framework GridFM open-source, GENCO é o solucionador neural mais completo disponível — três tarefas, precisão AC, garantias de convergência em SE, e um dataset de um milhão de cenários para bootstrap.