La proposta mira a realizzare un'infrastruttura di Quantum Federated Learning (QFL) per l’addestramento di modelli di Intelligenza Artificiale (AI) utilizzando dati raccolti da diverse compagnie energetiche sui consumi elettrici degli utenti.

I dati saranno impiegati per l’Anomaly Detection al fine di individuare eventi irregolari, come operazioni non autorizzate, difetti di misurazione e perdite, e per ottimizzare la distribuzione di energia e prevenire blackout.

Le attività prevedono l’applicazione delle più avanzate tecniche di Quantum Machine Learning (QML) per l’analisi dei dati e la rilevazione delle anomalie. L’adozione di un sistema di apprendimento distribuito federato garantisce la privacy, evitando la condivisione di informazioni sensibili.

L’addestramento di modelli AI locali permetterà di ottenere modelli specifici e personalizzati per ciascuna organizzazione. Una dashboard dedicata, in ottemperanza al AI Act, consentirà agli operatori di monitorare e gestire il processo tramite il paradigma Human-In-The-Loop (HITL) e la storicizzazione in blockchain.

Il progetto punta a innovare il settore del monitoraggio energetico e della gestione delle anomalie mediante tecnologie emergenti di QC e QFL. I benefici includono risposte più rapide a blackout, gestione preventiva delle anomalie, supporto agli operatori energetici nella valutazione delle strategie e nella riduzione dei costi associati ad eventi anomali.