Scenari

Il Quantum Computing necessario per la sostenibilità dell’automotive industry

Nel settore automotive, l’utilizzo del Quantum Computing è di supporto a molte attività strategiche, che spaziano dal corretto posizionamento dei sensori al miglioramento dei controlli di qualità ai losses test

Pubblicato il 20 Feb 2023

meccatronica quantum computing

Non è una novità che l’industria automobilistica stia attraversando una profonda trasformazione portando i suoi attori a reinventare sé stessi e il purpose della propria attività per sviluppare prodotti e servizi sostenibili, ingranaggi di un ecosistema di mobilità carbon-free e digitale.
Da un lato, ci sono obiettivi climatici ambiziosi e urgenti che rendono necessarie tecnologie di propulsione alternative e soluzioni che vanno nella direzione di un’economia avanzata, de-carbonizzata e circolare, dall’altro, si devono tenere conto le mutate aspettative e sensibilità dei consumatori che stanno spostando le proprie preferenze su scelte sempre più green, sostenibili e tecnologiche, una su tutte la guida autonoma.

L’AI gioca ovviamente un ruolo decisivo nel supportare la transizione energetica e le aziende automotive non possono fare a meno di adottare strumenti digitali all’avanguardia per essere competitive nell’arena dei veicoli elettrificati e di un’intera value chain digitalizzata.

La sfida per i produttori è quella di attuare trasformazioni importanti su più livelli aziendali per arrivare ad elaborare soluzioni efficienti per lo sviluppo e la produzione dei veicoli, ma che siano allo stesso tempo anche il più convenienti possibile. Perché il problema di questa transizione risiede proprio qui: nei costi elevati e nel grande effort manageriale a cui le automotive company vanno inevitabilmente incontro e che rende difficile il mantenimento anche di una loro sostenibilità economica.

Le opportunità del Quantum Computing

Una soluzione, tuttavia, c’è ed è rappresentata dal Quantum Computing, capace di generare dei benefici perfettamente in linea con le necessità dell’automotive industry.
Il calcolo quantistico si è già guadagnato un ruolo chiave nel futuro prossimo. Gli algoritmi di ispirazione quantistica di fatto consentono già di gestire e ottimizzare situazioni complesse anche con gli attuali dispositivi hardware standard e generare grandi savings di tempo e denaro per le company.

Reply ha sviluppato una solida expertise nei processi di trasformazione del settore automobilistico affiancando i propri clienti con strategie volte a ridisegnare un mindset aziendale sempre più software-driven all’insegna dell’efficientamento e dell’ottimizzazione.

Tra i modelli quantistici si ricorre principalmente all’impiego delle QUBO solutions che garantiscono numerosi vantaggi per i produttori di auto. QUBO, acronimo di Quadratic Unconstrained Binary Optimization, consiste in un approccio alla risoluzione di problemi di ottimizzazione combinatoria che permette di padroneggiare un elevato grado di complessità con il vantaggio di non dover perdere tempo in traduzioni e adattamenti per computer quantistici poiché compatibili anche con computer convenzionali.

Il Quantum Computing per il posizionamento dei sensori

Tra i principali impieghi del Quantum Computing sperimentati finora rientrano i progetti di posizionamento ottimale dei sensori.
I mezzi di trasporto sono dotati di numerosi sensori volti a interagire e registrare l’ambiente circostante. Il loro posizionamento è un compito estremamente complesso e delicato poiché un errore nella definizione di questo aspetto potrebbe causare per eccesso, costi molto elevati, o per difetto, una riduzione della sicurezza del veicolo. Grazie alla modellazione QUBO è possibile facilitare il processo di ottimizzazione esplorando numerose combinazioni per arrivare a posizionare in modo efficiente i dispositivi di rilevamento e ottenere il massimo beneficio di aumentare la sicurezza delle vetture, riducendo i costi di produzione. Inoltre, i calcoli quantistici permettono di capire prima, e meglio, quali tipologie di sensori sono necessari (telecamera, radar, ultrasuoni) e come devono essere orientati se in orizzontale o in verticale, poiché anche queste valutazioni devono tenere conto di un numero elevato di variabili che potrebbe raggiungere facilmente il milione. Anche le aree coperte dal sensore sono cruciali, trattandosi delle cosiddette “regions of interest” che circondano l’auto. La configurazione ottimale deve garantire che tutte le aree siano adeguatamente coperte e che quelle più critiche siano osservate simultaneamente da più sensori di tipo diverso e anche questo è un compito perfettamente e velocemente risolvibile dal quantum computing.

meccatronica quantum computing

Ulteriori applicazioni nell’automotive

Un altro use case di successo riguarda i cosiddetti “lossess tests”.

I test su nuovi veicoli sono essenziali per garantirne sicurezza e qualità; tuttavia, si tratta di una fase molto costosa per le case automobilistiche. Anche in questo caso ci troviamo di fronte ad un problema combinatorio a due livelli: da un lato, è necessario determinare le configurazioni ottimali dei veicoli per testare tutti i suoi componenti, dall’altro i test devono avvenire in una sequenza tale da garantire il massimo numero di prove possibili per ciascun prodotto. L’impiego di soluzioni QUBO risulta particolarmente utile perché favorisce flessibilità, efficienza, scalabilità, individuando il numero più basso di veicoli di prova e consentendo contemporaneamente il maggior numero di test.

L’impiego del Quantum Computing trova spazio anche nel miglioramento del controllo di qualità della produzione di autovetture.

Tradizionalmente, i produttori impiegano già il machine learning per la creazione di immagini durante il processo di produzione poiché consente loro di identificare in modo rapido, automatico e preciso i componenti difettosi, con notevoli risparmi in termini di tempo e costi. I modelli di deep learning sono molto efficienti nel generare rappresentazioni numeriche astratte del contenuto visivo di queste immagini; tuttavia, i circuiti quantistici consentono ora nuove rappresentazioni dei dati e possono essere addestrati molto più rapidamente. Una delle opzioni più interessanti e già adottabili risulta essere la combinazione pratica di un modello classico e di uno quantistico. Tramite, infatti, un’architettura ibrida le grandi quantità di dati, come le immagini, possono essere elaborate in modo efficiente, utilizzando il potenziale dei Qubits per addestrare la nuova codifica dei dati. L’ibridazione è inoltre un approccio molto flessibile e può essere facilmente applicato ad altri casi di utilizzo dell’apprendimento automatico, dove i dati provengono anche da altri fonti, come i sensori, o combinare tra loro modalità diverse.

Integrare il Quantum Computing nei processi aziendali significa andare incontro a quel salto di qualità che obbligatoriamente ormai deve essere attuato dalle aziende automobilistiche, poiché nonostante il proprio retaggio storico e la propria brand equity, devono rivoluzionarsi per mantenere la competitività sul mercato soprattutto nei confronti dei player nativi digitali. Questi tre esempi sono solo un primo punto di partenza, il Quantum ha già dimostrato di essere l’alleato perfetto per chiunque voglia puntare all’efficienza della propria azienda, non resta che passare alla sua integrazione.

Valuta la qualità di questo articolo

La tua opinione è importante per noi!

Articoli correlati

Articolo 1 di 3