Informatica Quantistica e HVAC: il futuro del comfort domestico?
L’informatica quantistica potrebbe regalarci sistemi di riscaldamento, ventilazione e condizionamento domestici più efficienti e confortevoli. A rivelarlo è un gruppo di scienziati in Corea del Sud. Il team, composto da ricercatori del Korea Advanced Institute of Science and Technology (KAIST) e da ingegneri dell’Università Nazionale Hanbat, ha studiato un modo per migliorare il controllo dei sistemi HVAC residenziali attraverso le tecnologie di rilevamento delle presenze.
Il controllo “classico ” dei sistemi di riscaldamento, ventilazione e condizionamento
Oggi sappiamo che i sistemi di riscaldamento e raffreddamento degli edifici rappresentano la quota più ingente dei consumi residenziali e del terziario. Efficientare tali impianti è dunque essenziale per ridurre la domanda energetica e allo stesso tempo per alleggerire le bollette. Una delle soluzioni più promettenti in questo campo è rappresentata dal controllo HVAC basato sull’occupazione degli ambienti.
Questo approccio si basa sull’impiego di sensori che rilevano la presenza di persone nei diversi spazi interni, permettendo ai sistemi di riscaldamento e condizionamento di funzionare solo quando necessario, evitando inutili sprechi energetici e riducendo il carico sul sistema.
Studi di settore hanno mostrato che in questo modo è possibile ottenere un risparmio energetico del 20-50% nelle abitazioni. Peccato che l’applicazione nel mondo reale si scontri ancora con alcuni problemi che non possono essere ignorati. Le tecnologie di rilevamento presentano, infatti, lunghi tempi di ammortamento e problemi di privacy. Inoltre, vi è una crescente necessità di soluzioni avanzate che contribuiscano a regolare anche la qualità dell’aria interna, oltre che i semplici consumi.
Controllo HVAC con Apprendimento Quantistico
È qui che interviene lo studio sudcoreano. Gli scienziati hanno rivolto la loro attenzione sull’HVAC basato sull’apprendimento quantistico per rinforzo. Di cosa si tratta? Di un metodo di controllo intelligente che sfrutta i principi del calcolo quantistico come la superposizione e l’entanglement per processare un gran numero di informazioni in maniera più efficiente e rapida.
“A differenza dei lavori precedenti che si basano esclusivamente sul calcolo classico – scrive il gruppo – il nostro framework sfrutta l’apprendimento quantistico per affrontare le complessità dell’ottimizzazione HVAC in tempo reale“. Il framework integra il rilevamento dell’occupazione in tempo reale tramite deep learning con dati operativi, inclusi modelli di consumo energetico, dati di controllo del condizionatore e variazioni della temperatura esterna.
Come funziona l’apprendimento quantistico per rinforzo?
“Abbiamo implementato un circuito quantistico per l’agente di apprendimento per rinforzo [una tecnica AI che impara per “tentativi ed errori” a prendere le decisioni migliori] e codifichiamo le variabili dell’edificio (temperatura, occupazione, consumo energetico) in stati quantistici“.
Il circuito quantistico elabora tali stati per decidere quali azioni di controllo sarebbero le migliori, come ad esempio aumentare la temperatura in una stanza o accendere la ventilazione. La decisione quantistica viene quindi ritradotta in un comando classico che il sistema HVAC può effettivamente eseguire.
I risultati dello studio
Il team ha eseguito delle simulazioni basate su dati reali provenienti da 26 nuclei familiari per un periodo compreso tra giugno e settembre 2021. Hanno così scoperto che il controllo HVAC basato sull’apprendimento quantistico per rinforzo supera significativamente altre due strategie chiave come il metodo del gradiente deterministico profondo e l’algoritmo di ottimizzazione delle politiche prossimali, mantenendo al contempo il comfort termico. Nel dettaglio l’approccio ha ottenuto una riduzione del 63-62% dei consumi energetici e una riduzione del 64,4-62,5% dei costi dell’elettricità rispetto alle due tecniche sopracitate.
Non solo. La tecnologia risulta compatibile con il retrofit e funziona con sensori standard di temperatura, presenza e CO2, nonché con comuni apparecchiature HVAC e termostati.
“Può essere utilizzato nei termostati intelligenti e nei sistemi autonomi di gestione energetica domestica che ottimizzano comfort, bollette ed emissioni senza regolazioni manuali, nonché collegato ai pannelli fotovoltaici sui tetti e alle batterie domestiche”, spiegano gli scienziati. “Il nostro framework è utile anche per i programmi di risposta alla domanda e di utilizzo in base all’orario con controllo automatizzato”.
La ricerca Continuous variable quantum reinforcement learning for HVAC control and power management in residential building è stata pubblicata su Energy and AI.