L'informatica quantistica ha un immenso potenziale per affrontare le sfide energetiche e climatiche. Gli esperti ritengono che entro il 2035 potrebbe facilitare lo sviluppo di tecnologie climatiche in grado di ridurre le emissioni di carbonio fino a 7 gigatonnellate all'anno, allineandosi potenzialmente all'obiettivo cruciale di 1,5°C di riscaldamento globale.
Per capire meglio, parliamo con Annarita Giani, ricercatrice esperta di sistemi complessi che lavora alla General Electrics Research. Annarita dirige il gruppo di applicazioni quantistiche di GE, focalizzato sullo sviluppo di algoritmi di calcolo quantistico per applicazioni industriali.
Parleremo anche con Fabio Veronese, responsabile del Digital Grid Hub di ENEL. Fabio ci porterà esempi concreti in cui gli algoritmi di ottimizzazione quantistica stanno già fornendo vantaggi per la gestione della forza lavoro.
TRANSCRIPT
Cristiano Matricardi [00:00:05] L'informatica quantistica ha un immenso potenziale per affrontare le sfide energetiche climatiche e a riprova di ciò, una corrispondenza sul network Computational Science sottolinea l'importanza del calcolo quantistico per la transizione verso energie rinnovabili. Gli esperti ritengono che entro il 2035 l'informatica quantistica potrebbe facilitare lo sviluppo di tecnologie climatiche in grado di ridurre le emissioni di carbonio fino a sette gigatonnellate. Tuttavia, è importante temperare l'entusiasmo con una valutazione realistica dello stato attuale delle tecnologie quantistiche in questo campo. Ma quindi, di cosa stiamo parlando? Ecco, i dispositivi quantistici, pur essendo in fase di sviluppo, mostrano potenziale in vari campi, dalla scoperta di nuovi materiali per il fotovoltaico e le batterie, all'ottimizzazione nel rilevamento dei cambiamenti climatici, dove le simulazioni quantistiche ci aiutano a comprendere i processi del cambiamento climatico, sviluppare strategie efficaci ed aiutare ad adattarci ai suoi effetti o ancora migliorare la gestione dell'energia. Come ottimizzare la programmazione delle risorse della rete elettrica? Infine, non poteva mancare la regina, l'intelligenza artificiale. Infatti un articolo su Nature evidenzia l'importanza di un addestramento che sia efficiente da un punto di vista energetico. Perché i grandi modelli linguistici generano migliaia di tonnellate di emissioni di carbonio e da qui l'efficienza è necessaria in tutti gli aspetti e i computer quantistici potrebbero fornire soluzioni più rapide a problemi complessi, con un consumo energetico inferiore rispetto ai super computer convenzionali. C'è sempre comunque la realtà da tenere in considerazione. Infatti i sistemi quantistici odierni devono affrontare ostacoli significativi, tra cui i problemi di potenza, di raffreddamento, di elettronica, di controllo, di connettività. E sebbene esistano macchine quantistiche rumorose su scala intermedia, i cosiddetti NISQ, essi non sono ancora in grado di eseguire i calcoli che ci si aspetta da computer quantistici pienamente capaci. Inoltre, le applicazioni pratiche per il clima e l'energia sono ancora in gran parte teoriche e richiedono ulteriori sviluppi e scoperte continue. Oggi per capire meglio di cosa parliamo quando tiriamo in ballo il calcolo quantistico nelle sfide energetiche e del clima ho chiamato Annarita Giani, scienziata esperta in sistemi complessi che lavora presso General Electric Resource. Annarita dirige il gruppo di applicazioni quantistiche di General Electric, incentrato sullo sviluppo di algoritmi di calcolo quantistico per applicazioni industriali nel campo dell'energia. Ecco Annarita, ci fai un esempio di un problema a livello industriale nel campo dell'energia che è difficile da risolvere con i computer classici.
Annarita Giani [00:03:13] Una grande necessità in questo momento è come introdurre energie rinnovabili quando vediamo le pale eoliche e i pannelli solari che come vengono posizionati al fine di produrre l'energia. Questo è un problema di ottimizzazione molto grande, quindi quanto un computer potrebbero aiutare in questo caso.
Cristiano Matricardi [00:03:36] Essenzialmente parliamo di problemi di ottimizzazione nel momento in cui i parametri da tenere in considerazione diventano elevatissimi. Quindi sfruttare quel meccanismo di parallelizzazione che abbiamo visto nelle puntate precedenti fornirebbe un vantaggio verso i computer classici anche nel campo dell'energia, ma non solo. Infatti i modelli climatici sono per antonomasia i problemi più difficili da risolvere che impiegano i supercomputer più potenti al mondo. Ed è qui che il calcolo quantistico potrebbe fornire un tangibile vantaggio.
Annarita Giani [00:04:16] Se pensiamo che vogliamo operare varie scale, ad esempio a piccola scala come modelli meteorologici locali, insieme a grandi scale senza risoluzione che riguardano l'intera terra. Questo comporta una grande richiesta di risorse computazionali e un quantum computer potrebbe aiutare in questo caso.
Cristiano Matricardi [00:04:43] Abbiamo parlato di potenzialità e di possibili problemi che possono essere risolti. Però sappiamo anche che i computer quantistici in grado di darci queste soluzioni non esistono. Quindi di cosa stiamo parlando quando vediamo aziende che hanno al loro interno dipartimenti che lavorano sulle quantum technologies e sui computer quantistici?
Annarita Giani [00:05:06] Sì, infatti, dato che i quantum computer universali che sono quelli senza errori, che in inglese si chiamano fault tolerant, ancora oggi non esistono, è difficile avere dei risultati che per un'azienda si traducono gli investimenti in un ritorno. Però possiamo usare i compiuter di questa era della cosiddetta era NISQ, che sta per noise intermediate scale quantum, per capire come costruire algoritmi quantistici di problemi importanti come quelli che abbiamo accennato prima, energia, clima, in modo che quando i computer universali diventeranno realtà, non bisogna perdere altro tempo prezioso, ma basta scalare certi certi algoritmi che conosciamo già.
Cristiano Matricardi [00:06:00] Prima di andare a vedere nel concreto cosa significa quello che ci ha appena detto Annarita, c'è un'ultima cosa di cui dobbiamo parlare, ovvero l'Agenda 2030 delle Nazioni Unite fonda il concetto di sviluppo sostenibile su prosperità economica, protezione dell'ambiente ed equità sociale. Quindi, ogni volta che parliamo di tecnologie in grado di portarci verso un futuro più sostenibile, non possiamo parlare di sostenibilità senza parlare di uguaglianza, che sia essa di genere sociale, economica o politica.
Annarita Giani [00:06:38] Le tecnologie quantistiche e oltre ai computer aggiungo anche sensori quantistici reti quantistiche, quando completamente sviluppate, potranno portare dei vantaggi. Ma quando introduciamo nuove tecnologie bisogna anche stare attenti a equità dell'adozione per non rischiare di creare disuguaglianze ancora maggiori. Ad esempio, molte realtà che hanno problemi di clima e sostenibilità sono quelle che hanno difficoltà all'adozione di nuove tecnologie e anche se siamo agli inizi, bisogna parlarne ora, dopo potrebbe essere troppo tardi. Ci sono organizzazioni che si occupano proprio di questo, ad esempio fondazioni o organizzazioni no profit che hanno meccanismi per coinvolgere nell'adozione di questa tecnologia realtà che probabilmente sarebbero tagliate fuori per svariati motivi.
Fabio Veronese [00:07:39] Nel breve percorso di Enel nel mondo della computazione quantistica è iniziato, come tu hai detto nel 2017, grazie a un interesse personale, quando ho visto emergere possibilità di applicare il grande amore di gioventù che era la fisica quantistica con la professione di adesso che é l'informatica ho trovato uno spazio di innovazione molto interessante.
Cristiano Matricardi [00:08:04] Avete appena ascoltato Fabio Veronese, lui è Head of Digital Hub per Enel e il suo team studia come poter applicare algoritmi quantistici a problemi reali nel campo della gestione dell'energia.
Fabio Veronese [00:08:21] Nel 2017 se ne parlava molto. C'era un interesse sempre più crescente su quantum computing soprattutto grazie a continui annunci di progressi a livello hardware. Abbiamo cominciato un'interlocuzione subito dopo con i centri di ricerca e le università. Ci siamo rapidamente resi conto che ad oggi non si può andare in un negozio o su Amazon e comprare un computer quantistico o andare su un cloud e chiedere un servizio di un computer quantistico. Questo è essenzialmente, l'abbiamo capito dopo, grazie a delle difficoltà formidabili di riuscire a far funzionare il computer quantistico abbastanza a lungo.
Cristiano Matricardi [00:09:04] I computer quantistici oggi a disposizione li possiamo accendere, li possiamo preparare, ma poi non durano più di qualche millisecondo. E qui nascono i grandi problemi tecnici a cui appunto faceva riferimento Fabio. Pensiamo ad esempio ai computer del secondo dopoguerra, quando si inventò il termine bug, cimice che interrompeva i circuiti e invalidata il calcolo. Lo stesso succede nei computer quantistici. Quindi per poter riuscire ad utilizzarli si è pensato ad un escamotage.
Fabio Veronese [00:09:42] Ci sono dei computer quasi quantistici, oppure chiamiamoli quantistici, ma non universali, cioè non ci si può fare proprio tutto, si possono solo risolvere problemi di ottimizzazione. Non ci posso fare un programma qualsiasi, posso solo trovare il minimo di una funzione.
Cristiano Matricardi [00:10:00] Questi computer sono interessanti perché anche se non sono universali, riescono ad ottenere un vantaggio rispetto alla controparte classica quando i problemi diventano molto complicati. Ecco, qui dobbiamo fermarci un attimo e capire cos'è un problema di ottimizzazione e cosa significa trovare il minimo di una funzione. Per visualizzare questo concetto pensiamo ad una montagna. Immaginiamo di essere in vetta e guardare la valle circostante. La nostra funzione è la superficie tridimensionale, mentre il minimo della nostra funzione è il punto più basso nella valle. Possiamo ben pensare che trovare il punto più basso in una sola valle è molto facile. Immaginate ora se prendete in considerazione l'intero arco alpino, quanto può essere difficile trovare una soluzione che si avvicini veramente alla realtà. Questo può essere visto come un sistema complesso, con tantissime variabili che è difficile da risolvere con i computer classici e in aziende come Enel non è raro trovare problemi complessi che sono molto difficili da risolvere. Ora tutto questo però come si traduce in problemi reali?
Fabio Veronese [00:11:26] Trasferendolo dal linguaggio accademico matematico alla vita reale è per esempio gestire il percorso ottimo di tutto il personale operativo di Enel in Italia, che ogni giorno in 7000 squadre esce sul territorio italiano e esegue, diciamo centinaia di migliaia di interventi al mese e su una rete di circa 1.000.000 di chilometri, servendo 30 milioni di utenti. Ecco, il problema di minimo è quello di dire benissimo, con un certo numero di lavori da fare, una certa dislocazione territoriale e con un certo numero di forza lavoro. Qual è il modo migliore di dispacciare della forza lavoro per fare in modo che le persone facciano un lavoro produttivo, cioè interventi sulla rete e viaggino poco?
Cristiano Matricardi [00:12:15] Problemi reali, quindi, esistono e sono essenzialmente molto difficili da risolvere attualmente. Quindi un computer quantistico intermedio come quello che ci diceva Fabio sì che potrebbe aiutare. Ad ogni modo, mi dispiace doverci scontrare ancora una volta in questo podcast contro quella realtà, quella realtà dei fatti che ci dice che anche se i computer quantistici che sono intermedi sono disponibili, essi ancora non presentano un vantaggio significativo rispetto ai computer classici. Ecco, Fabio ci spiega perché e quale escamotage è stato trovato.
Fabio Veronese [00:13:02] Nel mondo dei computer quantistici si parla di uno, due, dieci qubit al momento. Negli anneler, che sono questi ottimizzatori semplificati, si parla di 100, 1000, qualche migliaio ma sono ancora numeri distanti dalla dall'applicazione pratica. Tutti, o quasi tutti i principali player che hanno dimostrato protagonismo sul mercato faccio degli esempi come Google, IBM, IonQ, Richetti, hanno tutti dichiarato della Roadmap dove dicono che computer quantistico commerciali, cioè delle dimensioni sufficienti a trattare problemi di business, saranno disponibili entro il 2030. Il problema è che nessuno dice bene cosa sarà disponibile dal 24 al 25 26. Cioè abbiamo fatto una fase pionieristica, siamo arrivati a costruire dei pezzi. Ma allora cosa facciamo? Stiamo qui due tre anni ad aspettare? In realtà c'è una via di mezzo che è quella di usare la teoria della computazione quantistica, però farla girare su CPU quasi tradizionali, che sono le famose GPU, quelle che derivano dal gaming e che hanno la capacità di calcolo parallelo più avanzata che esista. Questo approccio si chiama quantum ispired optimization e gli algoritmi di questo tipo si chiamano quantum Inspira.
Cristiano Matricardi [00:14:30] Questa è la storia della tenacia della scienza e della tecnica. Non possiamo costruire un computer quantistico interamente funzionante. Ok, ne costruiamo uno intermedio o che quello intermedio ancora non ci può dare un vantaggio reale. E qui la soluzione è quella di sviluppare degli algoritmi ibridi che sono ispirati agli algoritmi quantistici. Però li facciamo girare su quello che abbiamo, ovvero le CPU reali. Ed è qui che è nel. Con questi algoritmi ispirati alla computazione quantistica sta ottenendo i primi risultati incoraggianti. E qui Fabio vorrei chiederti potresti portarci un esempio concreto di come in Enel avete utilizzato questi algoritmi ispirati al calcolo quantistico? Quali sono le sfide che avete dovuto superare e soprattutto qual è stato il vantaggio misurabile che avete potuto verificare?
Fabio Veronese [00:15:30] 7000 squadre con 700.000 70.000 possibili lavori in un giorno. Creo una grande matrice, se permetti, e il minimo del quale permette di calcolare e la soluzione al minimo costo logistico. Il problema di questo tipo di problema anche dividendo l'Italia in 100 province ok, perché sicuramente qualcuno ad Aosta non andrà a fare lavoro in Sicilia. Otteniamo che per una giornata per tre quattro giorni abbiamo problemi a 100 variabili da risolvere e quindi 100.000 variabili sono ancora tante anche per una una cosa una soluzione quanto mi pare quindi abbiamo ulteriormente affrontato il problema ok che permette da una soluzione approssimata dice guarda Cristian tu sei a Milano lavora al nord io sono a Roma lavora sodo poi negli ambiti ridotti. Il problema vero e proprio questo permette di scendere da 100.000 variabili a 20.000 variabili e questo è attualmente gestibile da una soluzione Quantum inspired. E questa cosa qui. Perché l'abbiamo fatta? Perché alla fine la soluzione era migliore. Abbiamo ridotto il tempo di viaggio di circa il 20-30%. Se tu pensi 10.000 operativi in campo, abbiamo risparmiato diverse decine di migliaia di ore di lavoro. Questa soluzione non è ricerca, è attiva in tutta Italia quest'anno.
Cristiano Matricardi [00:16:56] Abbiamo capito dalle parole di Fabio che il problema dell'adozione del calcolo quantistico a livello industriale è un problema estremamente complesso e fatto di tantissimi livelli di maturità delle tecnologie a disposizione, che siano computer quantistici reali, computer quantistici semplificati, programmi che sono ispirati al calcolo quantistico e così via. Però, in questo panorama estremamente complicato, è importante tenere in mente come si fa innovazione. Fabio ci spiega qual è l'approccio che Enel sta mettendo in pratica per avanzare con questa tecnologia in un'ottica molto industriale.
Fabio Veronese [00:17:40] Siccome è un ambito in continua evoluzione, stiamo continuamente cercando possibilità di fare le cose meglio. Per migliorare bisogna misurare, quindi avere un benchmark e cercare soluzioni nuove. Basarsi sul numero di annunci può creare distorsioni, come abbiamo visto sul Metaverso, come abbiamo visto sulla generative AI. Ma questo non vuol dire che se ci sono distorsioni di percezione sia il quantum computing sia una sciocchezza. La tecnica è guardare, studiare, provare a vedere, e non fermarsi mai su dove e su dove si è. Stiamo anche sperimentando altre tecnologie lavorando con start up perché è un mercato in evoluzione. Ce ne sono tante, Molte purtroppo sono estremamente immature, però ogni tanto ce n'è qualcuna che può interessare e quindi in questo modo continuiamo a coprire questi prossimi due tre anni che ci separano dai primi rilasci dei computer quantistici commerciali.
Cristiano Matricardi [00:18:42] Abbiamo capito in questa puntata come l'informatica quantistica può realmente proporre delle soluzioni per la lotta al cambiamento climatico e la gestione dell'energia, ma allo stesso tempo è fondamentale riconoscere i limiti attuali e il tempo necessario per superarli, come anche affrontare questioni etiche di sicurezza legate al fatto che uno sviluppo sostenibile non può essere slacciato da uno sviluppo equo, soprattutto quando si parla di tecnologie innovative, sia da un punto di vista sociale che economico, che di pari opportunità. In secondo luogo abbiamo visto come il quantum computing universale, per intenderci quello che fa hype, non è disponibile. Sono disponibili dei computer semplificati che purtroppo, come ci diceva Fabio, ancora non stanno dando quel vantaggio che ci si aspetta. Mentre le applicazioni oggi disponibili dell'informatica quantistica sono calcoli classici ispirati ad un calcolo quantistico. E sono questi gli algoritmi che stanno dando i primi risultati promettenti. È ovvio che non possiamo fermarci qui, ma come dice Fabio, dobbiamo avere una buona prospettiva per proiettarci realisticamente nel futuro, sapendo da dove siamo partiti. La prospettiva è che siamo solamente all'inizio di una grande scalinata ed i risultati che stiamo ottenendo sono risultati preliminari che possono portare, se sviluppiamo in maniera organica, utilizzando dei benchmark definiti e fomentando solamente quelle tecnologie che ci possono portare ad una maturità superiore, potremmo arrivare poi realmente a sviluppare computer quantistici ed applicazioni reali che possono portare un concreto vantaggio nelle nostre società.
