Η τεχνητή νοημοσύνη βρίσκεται στο επίκεντρο ενός από τα μεγαλύτερα παράδοξα της παγκόσμιας ενεργειακής μετάβασης. Από τη μία πλευρά, η ταχύτατη εξάπλωσή της αυξάνει κατακόρυφα τη ζήτηση για ηλεκτρική ενέργεια. Η ανάπτυξη ολοένα μεγαλύτερων κέντρων δεδομένων, απαραίτητων για τη λειτουργία των σύγχρονων συστημάτων τεχνητής νοημοσύνης, ασκεί νέα πίεση στα ήδη επιβαρυμένα ηλεκτρικά δίκτυα και προκαλεί ανησυχίες για την ενεργειακή ασφάλεια.

Από την άλλη, η ίδια τεχνολογία μπορεί να αποτελέσει ένα από τα ισχυρότερα εργαλεία για την αντιμετώπιση της ενεργειακής κρίσης και της κλιματικής αλλαγής.

Η τεχνητή νοημοσύνη χρησιμοποιείται ήδη για τη βελτίωση των προβλέψεων σχετικά με την παραγωγή και την κατανάλωση ηλεκτρικής ενέργειας. Οι ακριβέστερες προβλέψεις μπορούν να βοηθήσουν τους διαχειριστές των δικτύων να αντιμετωπίζουν καλύτερα τις διακυμάνσεις της αιολικής και της ηλιακής ενέργειας, να προβλέπουν τις μεταβολές στη ζήτηση και να μειώνουν την ανάγκη για ακριβές εφεδρικές μονάδες παραγωγής.

Ο ρόλος του εξηλεκτρισμού

Σε μια εποχή κατά την οποία ο εξηλεκτρισμός  επεκτείνεται στις μεταφορές, τη θέρμανση και τη βιομηχανία, ενώ η συμμετοχή των ανανεώσιμων πηγών ενέργειας αυξάνεται, η διαχείριση των ηλεκτρικών δικτύων γίνεται ολοένα πιο σύνθετη. Η τεχνητή νοημοσύνη μπορεί να βοηθήσει στην αντιμετώπιση αυτής της πολυπλοκότητας.

Το μεγαλύτερο ίσως δυναμικό της, όμως, βρίσκεται στην ίδια την επιστημονική έρευνα.

Για δεκαετίες, η αναζήτηση νέων υλικών, χημικών ενώσεων και βιομηχανικών διαδικασιών βασιζόταν σε αργές και επίπονες διαδικασίες δοκιμής και λάθους. Οι επιστήμονες συχνά έπρεπε να εξετάσουν χιλιάδες πιθανούς συνδυασμούς προτού εντοπίσουν έναν που να ανταποκρίνεται στις απαιτήσεις μιας συγκεκριμένης εφαρμογής.  Η τεχνητή νοημοσύνη αλλάζει αυτή τη διαδικασία.

Ψάχνοντας βελόνα στα… άχυρα

Τα συστήματα μηχανικής μάθησης μπορούν να αναλύουν τεράστιες βάσεις επιστημονικών δεδομένων, να εντοπίζουν μοτίβα που ενδέχεται να διαφεύγουν από την ανθρώπινη παρατήρηση και να προτείνουν τους πιο υποσχόμενους υποψηφίους για περαιτέρω έρευνα. Είναι, ουσιαστικά, σαν να αναζητά κανείς μια βελόνα μέσα σε έναν αχυρώνα — μόνο που η τεχνητή νοημοσύνη μπορεί να εξετάσει ολόκληρο τον αχυρώνα σε ελάχιστο χρόνο.

«Η εύρεση νέων υλικών, καταλυτών ή διαδικασιών που μπορούν να παράγουν κάτι πιο αποδοτικά είναι ακριβώς το είδος του προβλήματος “βελόνα στα άχυρα” για το οποίο η τεχνητή νοημοσύνη είναι ιδανική», είχαν επισημάνει οι Financial Times σε ανάλυσή τους για το κατά πόσο η τεχνητή νοημοσύνη μπορεί τελικά να εξοικονομεί περισσότερη ενέργεια από όση καταναλώνει.

Ένα εντυπωσιακό παράδειγμα έρχεται από την Κίνα.

Ερευνητές χρησιμοποίησαν τεχνητή νοημοσύνη για να εντοπίσουν ένα νέο μόριο, το τριφθορομεθανοσουλφινικό λίθιο (LiSO2CF3), το οποίο μπορεί να βοηθήσει στην «αναζωογόνηση» μπαταριών ηλεκτρικών οχημάτων που έχουν εξαντλήσει σημαντικά την ικανότητά τους να αποθηκεύουν ενέργεια. Το μόριο μπορεί να αναπληρώνει ιόντα λιθίου και, σύμφωνα με τα εργαστηριακά ευρήματα, να παρατείνει τη διάρκεια ζωής των μπαταριών κατά χιλιάδες επιπλέον κύκλους φόρτισης.

Η ανακάλυψη θα μπορούσε να έχει σημαντικές συνέπειες. Οι μπαταρίες αποτελούν ένα από τα ακριβότερα και πιο απαιτητικά σε πρώτες ύλες εξαρτήματα των ηλεκτρικών οχημάτων. Η παράταση της ζωής τους θα μπορούσε να μειώσει τα απόβλητα, να περιορίσει την ανάγκη για νέες πρώτες ύλες και να βελτιώσει την οικονομική βιωσιμότητα της ηλεκτροκίνησης.

Η χημική ένωση

Το πιο εντυπωσιακό, ωστόσο, είναι ότι οι ερευνητές δεν γνώριζαν εξαρχής ποια ακριβώς χημική ένωση αναζητούσαν.

«Δεν είχαμε ιδέα τι είδους μόρια θα μπορούσαν να κάνουν αυτή τη δουλειά ή ποια θα ήταν η χημική τους δομή, οπότε χρησιμοποιήσαμε τη μηχανική μάθηση για να μας βοηθήσει», δήλωσε ο Chihao Zhao του Πανεπιστημίου Fudan.

Η τεχνητή νοημοσύνη χρησιμοποιείται πλέον και σε ένα από τα πιο απαιτητικά πεδία της ενεργειακής έρευνας: την πυρηνική σύντηξη. Η σύντηξη απαιτεί υλικά που μπορούν να αντέξουν ακραίες θερμοκρασίες και εξαιρετικά δύσκολες συνθήκες. Ερευνητές του Ames National Laboratory στην Αϊόβα ανέπτυξαν ένα εργαλείο μοντελοποίησης με τεχνητή νοημοσύνη, το DuctGPT, που βοηθά στην αναζήτηση υλικών κατάλληλων για μελλοντικά συστήματα σύντηξης.

Μια διαδικασία που στο παρελθόν απαιτούσε μήνες υπολογισμών μπορεί πλέον να ολοκληρώνεται μέσα σε λίγες ώρες.

Το σύστημα μπορεί να αναζητά συνδυασμούς στοιχείων με συγκεκριμένες ιδιότητες και να προτείνει υλικά που διαθέτουν την απαραίτητη αντοχή στη θερμότητα, την πίεση και άλλες ακραίες συνθήκες.

Η επιτάχυνση αυτή μπορεί να αποδειχθεί καθοριστική. Η πυρηνική σύντηξη παραμένει ένας από τους πιο φιλόδοξους στόχους της ενεργειακής έρευνας, όμως η ανάπτυξή της περιορίζεται συχνά από τη δυσκολία σχεδιασμού και δοκιμής υλικών που μπορούν να λειτουργήσουν σε τόσο ακραία περιβάλλοντα.

Η τεχνητή νοημοσύνη δεν καταργεί την ανάγκη για πειράματα. Μπορεί όμως να βοηθήσει τους επιστήμονες να εντοπίσουν ποια πειράματα αξίζει περισσότερο να πραγματοποιηθούν.

Γλωσσικά μοντέλα

Παρόμοια προσέγγιση εφαρμόζεται και σε άλλες ενεργειακές τεχνολογίες. Ερευνητές του Πανεπιστημίου του Τορόντο ανακοίνωσαν πρόσφατα ότι χρησιμοποίησαν μεγάλα γλωσσικά μοντέλα για να αναπτύξουν έξι νέα μεταλλικά κράματα, σχεδιασμένα για να αντέχουν σε ακραία περιβάλλοντα, όπως αυτά που συναντώνται σε κινητήρες αεροσκαφών και πυρηνικούς σταθμούς.

Το σύστημα τεχνητής νοημοσύνης εντόπισε τα έξι κράματα μέσα σε λίγες εβδομάδες. Με τις παραδοσιακές μεθόδους, μια αντίστοιχη διαδικασία θα μπορούσε να απαιτήσει χρόνια.

«Υπάρχει τεράστια ζήτηση για υλικά που μπορούν να αντέξουν μεγάλες μεταβολές θερμοκρασίας και πίεσης, όπως αυτές που συναντώνται στο εσωτερικό ενός κινητήρα αεροσκάφους ή στις ατμογεννήτριες πυρηνικών σταθμών — σε σημεία όπου ο συμβατικός χάλυβας απλώς δεν μπορεί να ανταποκριθεί», δήλωσε ο Yu Zou, επικεφαλής της έρευνας.

Οι εξελίξεις αυτές μπορεί να αποδειχθούν κρίσιμες για το μέλλον της καθαρής ενέργειας. Πολλές τεχνολογίες δεν αποτυγχάνουν επειδή η βασική επιστήμη είναι αδύνατη. Αποτυγχάνουν επειδή τα υλικά, οι διαδικασίες παραγωγής και οι υποδομές που απαιτούνται για να καταστούν οικονομικά βιώσιμες και ανθεκτικές δεν είναι ακόμη διαθέσιμα.

Ένα υλικό που διαρκεί περισσότερο σε μια ανεμογεννήτρια, βελτιώνει την απόδοση μιας μπαταρίας ή αντέχει στις ακραίες συνθήκες ενός πυρηνικού αντιδραστήρα μπορεί να αλλάξει τα οικονομικά δεδομένα μιας ολόκληρης τεχνολογίας.

Η τεχνητή νοημοσύνη μπορεί έτσι να συντομεύσει σημαντικά την απόσταση από την επιστημονική ιδέα έως την εμπορική εφαρμογή. Περιορίζοντας γρήγορα τον αριθμό των πιθανών λύσεων, μειώνει τον χρόνο και το κόστος της έρευνας και ανάπτυξης.

Τεχνολογίες που κάποτε θεωρούνταν υπερβολικά ακριβές ή τεχνικά δύσκολες για μαζική ανάπτυξη μπορεί πλέον να καταστούν εμπορικά βιώσιμες.

Η πρόκληση

Ωστόσο, το ενεργειακό αποτύπωμα της ίδιας της τεχνητής νοημοσύνης παραμένει μια σοβαρή πρόκληση. Η εκπαίδευση και η λειτουργία των προηγμένων μοντέλων απαιτούν τεράστια υπολογιστική ισχύ και, συνεπώς, μεγάλες ποσότητες ηλεκτρικής ενέργειας. Καθώς η τεχνητή νοημοσύνη ενσωματώνεται σε ολοένα περισσότερα προϊόντα, υπηρεσίες και βιομηχανικές διαδικασίες, η ζήτηση αυτή αναμένεται να αυξηθεί.

Το κρίσιμο ερώτημα, επομένως, δεν είναι αν η τεχνητή νοημοσύνη είναι από τη φύση της θετική ή αρνητική για την ενεργειακή μετάβαση. Το ερώτημα είναι αν τα οφέλη που μπορεί να προσφέρει θα ξεπεράσουν τελικά την ενέργεια και τους πόρους που καταναλώνει.

Η απάντηση θα εξαρτηθεί από τον τρόπο με τον οποίο θα αναπτυχθεί η τεχνολογία και από το πώς θα τροφοδοτείται ενεργειακά. Τα κέντρα δεδομένων θα χρειαστούν αποδοτικότερα τσιπ και συστήματα ψύξης. Τα ηλεκτρικά δίκτυα θα χρειαστούν καλύτερο σχεδιασμό, περισσότερη καθαρή παραγωγή και αξιόπιστες πηγές ενέργειας χαμηλών εκπομπών.

Πηγή: https://energypress.gr/