Energia e machine learning, obiettivo zero emissioni

Machine learning
(Immagine:: Shahadat Rahman on Unsplash)

Nel corso degli ultimi anni si è posto sempre di più l’accento sugli effetti provocati dalla crisi climatica che, con il tempo, stanno diventando sempre più evidenti. Basti pensare all’ondata di calore e siccità che ha colpito l’Italia quest’anno, a cui sono seguite forti alluvioni, come avvenuto nelle Marche, con le conseguenze che ben conosciamo.

La crisi climatica interessa tutte le parti del globo e sta causando ondate di calore, siccità, incendi, inondazioni e altri eventi catastrofici, lasciando milioni di persone in stato di necessità. I governi, quindi, dovrebbero agire rapidamente e limitare il riscaldamento globale a 1,5 °C rispetto al livello preindustriale. Per centrare l'obiettivo, entro il 2050 si dovranno raggiungere emissioni nette di anidride carbonica pari a zero.

In Europa, un ulteriore incentivo a passare rapidamente a soluzioni energetiche sostenibili è rappresentato dalla questione dell’indipendenza energetica. Alcuni paesi Europei (Italia e Germania) soprattutto, dipendevano pesantemente dal gas russo, e oggi sono subentrati altri fornitori. Il tema è stato centrale anche nell’ultima campagna elettorale in Italia, e resta il fatto che il Vecchio Continente non è energeticamente indipendente. Pochi Paesi al mondo lo sono, d’altra parte.

Tenendo conto di questi obiettivi, sono necessarie nuove e più avanzate tecnologie che ci consentano di creare, immagazzinare e distribuire energia rinnovabile, monitorare le emissioni di carbonio e gas serra, frenare la deforestazione e ridurre i rifiuti. Per affrontare tali sfide potremmo aver bisogno del machine learning.

Ad esempio, il machine learning può essere utilizzato per prevedere l'offerta e la domanda di energia per una distribuzione efficiente, riducendo così al minimo gli sprechi ed evitando le interruzioni.

Wind power

(Image credit: insung yoon on Unsplash)

recentemente, Google ha messo in vendita il servizio di previsione di produzione dell'energia eolica

Inoltre, possiamo impiegare le tecniche di apprendimento automatico per migliorare e predire la produzione di energia ottenuta da fonti rinnovabili come fatto da DeepMind nel 2019. Tanto che recentemente, Google ha messo in vendita il servizio di previsione di produzione dell'energia eolica, sviluppato dall’azienda, tramite Google Cloud. DeepMind nel corso di quest’anno ha anche sviluppato un sistema per controllare al meglio il plasma in un reattore a fusione nucleare.

Battery

(Image credit: John Cameron on Unsplash)

Poiché la disponibilità di energia da fonti rinnovabili come l'eolico o il solare è variabile e intermittente, sono necessarie batterie per immagazzinare l'energia in eccesso e fornirla alle reti elettriche quando la disponibilità è bassa (o la domanda è alta). L’uso delle batterie, tuttavia, si scontra con la loro produzione, che spesso è complessa o persino dannosa per l’ambiente. Per esempio, per fare le batterie serve il cobalto, un elemento particolarmente scarso, la cui estrazione presenta alcune criticità.

Dunque, oltre alla previsione della domanda e dell'offerta di energia, l'apprendimento automatico potrebbe cambiare le carte in tavola anche in questo ambito. Infatti, l’utilizzo del machine learning potrebbe aiutare a sviluppare nuovi elettrocatalizzatori e nuovi materiali, evitando l’estrazione di risorse rare ed inquinanti.

l’utilizzo del machine learning potrebbe aiutare a sviluppare nuovi materiali, evitando l’estrazione di risorse rare ed inquinanti.

In ogni caso, come sottolinea il rapporto di Climate Change AI, un'organizzazione no-profit fondata nel 2019 che riunisce rappresentanti dell'industria e del mondo accademico, il machine learning non è da intendere come la soluzione immediata ed estremamente efficace a tutti i nostri problemi. Infatti, alcune delle sue applicazioni, come l'esplorazione e l'estrazione di combustibili fossili, possono peggiorare la crisi climatica. Inoltre, anche per addestrare ed eseguire queste intelligenze artificiali abbiamo bisogno di tanta energia, che quindi rappresenta un’ulteriore fonte di consumi.

In sostanza, usare le tecniche di machine learning per ridurre gli effetti del cambiamento climatico è certamente una valida opzione, ma non basta. Anche (e soprattutto) noi dobbiamo dare il nostro contributo. 

Come possiamo contribuire alla diminuzione dei consumi?

Climate change

(Image credit: Chris LeBoutillier, Unsplash)

Innanzitutto, con i piccoli gesti quotidiani, come staccare il telefono dal caricabatterie quando la ricarica è completa e il dispositivo non è in uso, evitando di ricaricarlo durante la notte; non lasciare accese le luci nelle stanze dove non c’è nessuno, ed in ogni caso preferire sempre l’illuminazione tramite lampadine LED, come le Philips Hue; evitare di usare la luminosità massima sui dispositivi elettronici se si è in ambienti chiusi; evitare il più possibile l’uso della macchina e preferire i mezzi di trasporto pubblico ecc.…

In secondo luogo, se aveste intenzione di acquistare un nuovo prodotto, magari, potreste dare un’occhiata alle nostre recensioni e guide all’acquisto disponibili con un occhio critico al prezzo, ai consumi e alle prestazioni del dispositivo che devono essere bilanciati a seconda delle vostre necessità.

Luigi Famiglietti è Editor presso Techradar Italia dal 2020. Da sempre appassionato di scienza e tecnologia, ha deciso di raccontare la continua evoluzione di questo mondo e le sue diverse sfaccettature.

Ha anche lavorato in un progetto applicativo mirato all’individuazione e valutazione di tecniche in grado di migliorare la somministrazione, l’assorbimento e il potenziale immunogenico di vaccini genetici a base di DNA.

Ama viaggiare, suonare il pianoforte e la fotografia. Inoltre, gli piace trascorrere parte del suo tempo libero a giocare con gli amici al pc.