Facebook e Carnagie Mellon University collaborano per uno stoccaggio più efficiente delle energie rinnovabili

Open Catalyst Project: è questo il nome di una nuova iniziativa supportata da una collaborazione tra Facebook e la Carnegie Mellon University e che ha come scopo l'esecuzione di un progetto di ricerca, avvalendosi delle capacità dell'Intelligenza Artificiale, che si propone di individuare catalizzatori o elettrocatalizzatori per lo stoccaggio scalabile di energie rinnovabili, accelerando fino a 1000 volte le simulazioni di meccanica quantistica.

Lo stoccaggio di energie provenienti da fonti rinnovabili come l'eolico o il solare è un'operazione necessaria perché possa essere usata in maniera agevole: eolico e solare infatti tendono a produrre energia in maniera incostante, ed è quindi importante che a questi impianti sia collegata una soluzione di stoccaggio così che l'energia prodotta quando gli impianti riescono ad operare a pieno regime possa essere utilizzata per compensare i momenti "di magra" o per rispondere a periodi di picco di domanda. Alcuni studi hanno evidenziato come senza progressi tecnologici significativi nel campo dello stoccaggio energetico è possibile spingersi ad una penetrazione complessiva dell'energia solare fino ad un massimo del 30%, con costi che si aggravano sensibilmente già a partire dal 20%.

Scoprire nuovi catalizzatori per stoccare energie rinnovabili

La prima soluzione che può venire in mente per la conservazione di energia sono le batterie. Si tratta però di una soluzione non ottimale, in quanto storicamente sono sempre state costose da scalare. Una strada alternativa è quella di mettere mano a reazioni chimiche che consentano di trasformare l'energia in combustibili come idrogeno o etanolo, il che permetterebbe di stoccare energia in maniera efficiente per lungo tempo. Si tratta di un processo che fa uso di catalizzatori per poter agevolare le reazioni chimiche necessarie, e la cui scoperta può comportare simulazioni quantistiche complesse, che richiedono parecchio tempo per poter essere portate a compimento.

Oggi però i catalizzatori che si possono usare sono materiali rari e costosi come il platino, e per questo limitati nell'utilizzo. La scoperta di un catalizzatore è un cammino particolarmente oneroso. Assumendo che i catalizzatori si possano creare usando fino a tre dei 40 metalli noti, si ha a che fare con quasi 10 mila combinazioni di elementi. Il problema sta nel fatto che ciascuna combinazione deve essere messa alla prova regolando i rapporti tra gli elementi e le loro disposizioni a livello molecolare, il che fa esplodere il numero di possibilità nell'ordine dei miliardi.

Il progetto Open Catalyst 2020 si innesta proprio qui: dal momento che le simulazioni necessarie per verificare le interazioni elettrochimiche di interesse sono computazionalmente molto onerose, Facebook e la Carneige Mellon University sostengono che le tecniche di machine learning potrebbero essere la risposta più adatta per velocizzare l'impresa, per via della loro capacità di compiere approssimazioni valide in maniera molto rapida.

Simulazioni velocissime con l'Intelligenza Artificiale

Nell'ambito del progetto Open Catalyst, Facebook e Carnegie Mellon affermano di aver iniziato a sperimentare l'utilizzo di un piccolo numero di calcoli DFT (Density Functional Theory) per addestrare modelli di intelligenza artificiale più efficienti sulla fisica che governa la meccanica quantistica, insegnando in particolare ai modelli ad approssimare l'energia e le forze delle molecole sulla base di dati passati.

I modelli di base addestrati su OC2020 impiegano dalle 12 alle 72 ore per eseguire una singola simulazione di interazione tra molecole e catalizzatori usando i server di Facebook, laddove ogni singola simulazione è costituita da centinaia di fasi temporali più piccole. L'obiettivo ultimo è quello di riuscire a calcolare queste simulazioni in pochi secondi. Oggi una simulazione di questo genere richiede ore o giorni per essere portata a termine su server ad alte prestazioni.

Tuttavia quando si tratta di processi di simulazione e ricerca come questi, la velocità di esecuzione non rappresenta l'unico fattore da ottimizzare. Durante la simulazione vi sono degli elementi e dei parametri che necessitano di essere previste con un elevato grado di precisione, per evitare una propagazione d'errore che porterebbe a risultati distanti dalla realtà, in positivo e in negativo. L'approssimazione dei calcoli DFT pone pertanto un problema di IA estremamente difficile.