AI e sostenibilità: in che modo l'Intelligenza Artificiale può aiutare gli scienziati con la Carbon Sequestration?

Nel percorso delineato dall’Accordo di Parigi sui cambiamenti climatici, indirizzato verso il net zero di emissioni entro la metà del secolo, emerge l’importanza del fattore tempo: per raggiungere gli obiettivi prefissati non basterà ridurre le emissioni che alterano il clima, ma sarà necessario accelerare i sistemi di cattura e stoccaggio di quelle già presenti nell’atmosfera. Ad oggi i metodi più efficienti sono il Carbon Capture and Utilization (CCU) e il Carbon Capture and Storage (CCS), il primo permette di riciclare la CO2, convertendola in combustibile, il secondo si basa sulla cattura e lo stoccaggio sotterraneo della stessa. È qui che subentrano le qualità dell’Intelligenza Artificiale e del Machine Learning: velocità di calcolo e di elaborazione dati.

La diffusione su larga scala delle tecnologie Carbon Capture and Storage permetterebbe ai paesi di decarbonizzare i propri sistemi economici in modo efficace, ma solo se queste verranno accompagnate da una progressiva riduzione delle emissioni. Nel 2021, gli impianti di CCS – operativi o in costruzione a livello mondiale – erano trentuno, con una capacità di prelevare circa 40 milioni di tonnellate di CO2 all’anno. Una ricerca del Global CCS Institute indica che la CCS a livello mondiale dovrà crescere più di 100 volte entro il 2050 se si vorranno raggiungere gli obiettivi climatici definiti dall’Accordo di Parigi.

L’introduzione su larga scala della metodologia Carbon Capture and Utilization è più complessa, nonostante abbia costi nettamente inferiori, deve affrontare degli ostacoli di natura tecnologica. A livello europeo sono state avviate iniziative di ricerca volte ad accelerare questo tipo di ricerca scientifica, come i progetti ENERGY-X o Carbon2Chem che, in un’ottica reciclica, hanno l’obiettivo di utilizzare la CO2 come combustibile solare o produrre fertilizzanti senza impronta di anidride carbonica.

L’IBM Research Lab di Zurigo ha sviluppato un metodo, l’Accelerated Discovery, basato sull’utilizzo di tecniche di Machine Learning che permettono di accelerare le capacità di apprendimento in un potenziamento del metodo scientifico. Grazie agli strumenti e alle logiche del digitale è possibile ridurre i tempi della ricerca e dello sviluppo di soluzioni utili. Infatti il solo apprendimento della letteratura scientifica relativa alla Carbon Sequestration richiederebbe un lavoro di mesi, lavoro che andrebbe integrato costantemente fino ai test di laboratorio, utili a verificare che le prestazioni ipotizzate corrispondano a quelle effettive.

È qui che subentrano le capacità di conoscenza dell’Intelligenza Artificiale, dall’estrazione di informazioni presenti nella letteratura scientifica alla sperimentazione, tramite simulazioni, fino all’elaborazione di nuove ipotesi grazie a modelli generativi. In sintesi, tutto il modello scientifico viene accelerato, condensando in tempi brevissimi ciò che umanamente richiederebbe mesi.

Uno degli esempi applicativi di questo sistema è la ricerca dedicata allo stoccaggio della CO2 nel sottosuolo, sviluppata dall’IBM Research Lab: grazie a tecniche di simulazione computazionale che analizzano composizione e struttura delle rocce, è possibile individuare i sedimenti con le caratteristiche migliori per ottenere uno stoccaggio ottimale. Allo stesso modo, utilizzando tecniche di IA e Machine Learning è possibile elaborare simulazioni delle performance di nuovi materiali, abbattendone i costi di produzione e riducendo i tempi delle successive fasi di sviluppo.

In generale i processi di ricerca saranno sempre più efficienti, l’Intelligenza Artificiale risulta determinante per testare nuove idee, per filtrare rapidamente tutte le possibilità generate, ma anche – fattore non secondario – per individuare criticità e correggerle, in modo da minimizzare i rischi legati a sperimentazioni innovative ma potenzialmente pericolose.

Uno sviluppo condiviso delle tecnologie digitali basate sull’Intelligenza Artificiale potrebbe dare una spinta importante alla ricerca, ottimizzando sempre più l’efficacia dei sistemi di CCU e CCS, avvicinandoci concretamente alla Carbon Sequestration.