L’accordo provvisorio sull’EU AI Act del 9 dicembre 2023 classifica come ad alto rischio i sistemi di intelligenza artificiale impiegati come componenti di sicurezza nella gestione delle infrastrutture critiche, reti elettriche comprese (Consiglio UE, 9 dicembre 2023). Negli stessi mesi la letteratura sull’ottimizzazione delle reti propone di rimpiazzare i solver classici dell’optimal power flow (OPF) con surrogati appresi — reti neurali a grafo — e con riformulazioni QUBO eseguite su annealer quantistici. I due fatti si scontrano: l’approssimazione che rende attraente un surrogato è la stessa proprietà che ne complica la classificazione regolatoria.

Contesto

L’optimal power flow è il problema di calcolare i set-point dei generatori che minimizzano un costo (perdite, combustibile) nel rispetto dei vincoli fisici della rete: bilancio di potenza, limiti di tensione, capacità delle linee. La versione AC è non convessa e NP-difficile; nei sistemi reali si risolve con linearizzazioni (DC-OPF) o con solver di programmazione non lineare entro finestre temporali strette. Lo unit commitment — la pianificazione on/off dei generatori su un orizzonte — è un programma misto-intero sotto la stessa pressione computazionale.

Due filoni del 2022–2023 provano a ridurre questo costo. Il primo addestra reti neurali a grafo (GNN) a predire la soluzione dell’OPF direttamente dalla topologia della rete, trattata come grafo di nodi (bus) e archi (linee). PowerFlowNet, uscito a novembre 2023, usa il message-passing per approssimare il power flow con un errore dichiarato basso e tempi di inferenza inferiori al solver di Newton-Raphson (Lin et al., arXiv:2311.03415). Lavori paralleli aggiungono topology awareness e correzioni physics-informed per ridurre la frazione di soluzioni infattibili. Il secondo filone riformula OPF combinatorio e unit commitment come problemi QUBO (quadratic unconstrained binary optimization) e li mappa su annealer quantistici; nel 2023 l’approccio è stato valutato su istanze di OPF combinatorio su IEEE Transactions on Smart Grid.

Problema

Un surrogato GNN non risolve l’OPF: lo approssima. E la differenza pesa quando l’output pilota componenti di sicurezza. Un solver classico restituisce una soluzione con un certificato — ottimalità entro una tolleranza, vincoli soddisfatti entro un residuo misurabile. Un GNN restituisce un vettore di set-point la cui fattibilità non è garantita per costruzione: dipende dalla distribuzione dei dati di addestramento e degrada quando la topologia operativa esce da quella distribuzione (una linea in manutenzione, una contingenza N-1, un profilo di carico anomalo).

Le metriche con cui questi modelli vengono valutati in letteratura — errore quadratico medio sui set-point, percentuale di vincoli violati su un test set — descrivono il comportamento medio su dati vicini a quelli di addestramento. Non rispondono alla domanda che un operatore di rete deve porsi: cosa fa il modello sul caso che non ha mai visto, e come lo so prima che accada. Il framework NIST AI RMF 1.0, del 26 gennaio 2023, tiene esplicitamente separate le funzioni MEASURE e MANAGE: misurare la performance è un’altra cosa dal gestire il rischio residuo (NIST AI 100-1). Un surrogato con MSE basso e nessuna garanzia sul caso fuori distribuzione passa il primo test e fallisce il secondo.

Punto critico

La proprietà che manca non è l’accuratezza, è la fattibilità verificabile a runtime. Una rete elettrica accetta un set-point solo se quel set-point rispetta i vincoli fisici per la topologia corrente, non per una topologia media. Da qui si separano due classi di architetture.

Nella prima, il modello appreso è l’autorità finale: il suo output va dritto agli attuatori. Qui l’opacità del modello diventa l’opacità della decisione, e la classificazione ad alto rischio dell’AI Act impone supervisione umana e tracciabilità su un oggetto che per costruzione non le offre.

Nella seconda, il modello appreso fa da warm-start: produce un punto iniziale che un solver classico raffina e certifica entro la finestra temporale. Il GNN dà la velocità, il solver la garanzia di fattibilità. La proprietà di sicurezza non poggia sulla correttezza della rete neurale. È la stessa logica per cui un annealer quantistico, che restituisce campioni da una distribuzione e non una soluzione provata ottima, serve come generatore di candidati dentro un decompositore ibrido, non come decisore autonomo. La letteratura sull’unit commitment quantistico del 2023 colloca infatti l’annealer dentro pipeline ibride classico-quantistiche, con il solver classico a chiudere il vincolo.

La differenza tra le due architetture non emerge dalle metriche di accuratezza. Emerge solo se si definisce, separatamente dal modello, un gate di fattibilità che ogni output deve attraversare prima di toccare un attuatore.

Implicazioni

Per un sistema di controllo di rete che usa componenti appresi, la conformità ad alto rischio richiede tre proprietà che il modello da solo non dà. Tracciabilità: per ogni set-point applicato, il record di quale input l’ha prodotto, quale versione del modello, quale residuo di vincolo il gate ha misurato. Reversibilità: una soglia oltre la quale il sistema rifiuta l’output appreso e ricade sul solver classico o su un punto di funzionamento sicuro noto. Misura del fuori-distribuzione: un indicatore esplicito di quanto la topologia corrente si discosti da quella di addestramento, perché l’errore di un GNN cresce proprio dove mancano i dati e dove l’operatore ha più bisogno di una garanzia.

Nessuna delle tre è una proprietà del modello. Sono proprietà dell’architettura che lo circonda. Spostano la domanda di governance da quanto è accurato il modello a cosa succede quando sbaglia, e chi se ne accorge. Su un’infrastruttura critica la seconda domanda è quella vincolante, e l’AI Act la rende esplicita assegnando alla gestione della rete elettrica la fascia di rischio più alta tra le applicazioni infrastrutturali.

Limiti

I tempi di solver citati in letteratura per i surrogati GNN sono misurati su benchmark standard (casi IEEE) e non includono il costo del gate di fattibilità né del solver di raffinamento: l’architettura warm-start è più lenta del GNN puro, e il guadagno netto rispetto a un solver classico ben tarato resta da quantificare caso per caso. L’annealing quantistico su unit commitment è limitato, al gennaio 2024, dal numero di qubit e dalla connettività dell’hardware disponibile, e i risultati riportati riguardano istanze ridotte rispetto alle reti di trasmissione reali. Infine, il quadro normativo è un accordo provvisorio: il testo consolidato dell’AI Act e le norme tecniche armonizzate che tradurranno gli obblighi in requisiti verificabili non erano pubblicati alla data di scrittura. Le tre proprietà qui sopra restano una lettura ingegneristica di un obbligo ancora ad alto livello, non un protocollo di certificazione.

Il progetto di ricerca Dake porta proprio queste tecniche — Deep Learning e Graph Neural Networks per l’ottimizzazione delle reti energetiche — sul terreno applicativo, come racconta l’insight pubblicato da noze: https://www.noze.it/insights/dake-2-deep-tech-energy/.

Immagine di copertina: Primo piano del processore quantistico D-Wave 2000Q montato su una scheda quadrata dorata con connettori metallici, l’hardware… — foto di Steve Jurvetson, CC BY 2.0 — https://commons.wikimedia.org/wiki/File:Latest_D-Wave_2000_Qubit_Processor_(25215169297).jpg