TITOLO DEL PROGETTO: Quantum Federated Learning for Anomaly Detection in electrical Consumption - ACRONIMO: QFL-ADEC
Bando a Cascata per il finanziamento di proposte progettuali finalizzate alla concessione di finanziamenti per attività coerenti con il “National Quantum Science & Technology Institute” NQSTI SPOKE 8 - Bando N. 1, finanziato nell’ambito del Piano Nazionale di Ripresa e Resilienza, Creation of Enlarged Partnerships extended to Universities, Research Centres, Enterprises and funding basic research projects to be funded under the National Recovery and Resilience Plan (NRRP), Mission 4 Component 2 Investment 1.3 funded from the European Union – NextGenerationEU - Intervento 3 – “Cooperative Research Project”- CUP: B53C22004180005

DECRETO DI AMMISSIONE AL FINANZIAMENTO DEL II GRUPPO DI PROPOSTE PROGETTUALI presentate a valere sul Bando a Cascata n. 1 Spoke 8 – NQSTI - Urp.cnr.it id-20240603-114506

SOGGETTO PROPONENTE: I.T.SVIL S.r.l.
PARTNER DI PROGETTO: BC SOFT S.r.l..
COSTI TOTALI PROGETTO (euro): 291.886,00 €

OBIETTIVI PROGETTUALI
La presente proposta progettuale mira a realizzare un'infrastruttura di QFL (Quantum Federated Learning) per l’addestramento di modelli di Intelligenza Artificiale (AI) utilizzando dati raccolti a partire da diverse compagnie energetiche e riferiti ai consumi elettrici del proprio bacino di utenti; tali dati saranno impiegati al fine di effettuare operazioni di Anomaly Detection per individuare eventi irregolari, come operazioni non autorizzate, difetti di misurazione e perdite, e per gestire al meglio la distribuzione di energia ed i blackout della rete. Le attività proposte saranno svolte ponendo enfasi sulla ricerca, allo scopo di individuare le più moderne ed avanzate tecniche di QML (Quantum Machine Learning) per l’analisi dei dati e l’ Anomaly Detection nel dominio di riferimento. L’adozione di un sistema di apprendimento distribuito, realizzato attraverso una federazione di organizzazioni, consentirà inoltre il rispetto della privacy, senza condividere informazioni sensibili riferite ai consumi energetici; inoltre, l’addestramento di modelli AI locali permetterà alle organizzazioni di ottenere modelli altamente specifici e personalizzati per le proprie esigenze. Per agevolare l’uso della piattaforma da parte del personale operativo, verrà implementata un'apposita dashboard la quale, in ottemperanza agli obblighi legali emersi dal recente AI Act, consentirà agli operatori di avere un ruolo centrale nel monitoraggio e nella gestione del processo di apprendimento, attraverso il paradigma Human-In-The-Loop (HITL) e attraverso la storicizzazione delle operazioni in blockchain. Il progetto punta ad innovare il settore del monitoraggio energetico e della gestione di anomalie mediante l’adozione di tecnologie emergenti di QC e QFL: tali metodologie rappresentano un importante passo avanti nell’evoluzione digitale del settore, ponendosi come un utile strumento per il monitoraggio dei consumi. I benefici potranno manifestarsi principalmente attraverso risposte più rapide e tempestive alle situazioni di blackout e grazie ad una gestione preventiva e mirata delle anomalie nei consumi. L’impatto sarà significativo anche sugli operatori energetici, fornendo strumenti avanzati per valutare l’efficacia delle strategie di gestione dei consumi e sviluppare nuove politiche energetiche. Infine, le compagnie energetiche che adotteranno queste tecnologie potranno migliorare le capacità di gestione delle risorse energetiche e ridurre i costi associati ad eventi anomaly.