El primero fue el Bizkaia BBVA. Banks in Quantum Days, organizado por la Diputación Foral de Bizkaia y BBVA, junto con BIQAIN, en el que se evidenció la fuerte inclusión de las soluciones cuánticas en el sector financiero. El segundo, la jornada titulada Computación Cuántica e Hidrógeno: El futuro de las energías verdes, organizada por el Corredor Vasco del Hidrógeno e Ibermática Fundazioa, en dónde se abordó el potencial de la computación cuántica como herramienta para avanzar en el desarrollo de energías renovables, específicamente en el ámbito del hidrógeno. Ambos congresos, aparentemente lejanos uno de otro, se entrelazaban en un importante concepto: la sostenibilidad digital.

LA NUEVA GRAPADORA DE LA OFICINA

Es indudable la enorme importancia que la IA tiene actualmente en la aceleración de la productividad y el conocimiento. Los sistemas de IA, tal y cómo los conocíamos hace 20 años, tienden a desaparecer. Si pensamos que hace 10 años una empresa podía tener una oportunidad de diferenciarse de su competencia implantando sistemas de IA, hoy en día, dicha oportunidad se ha perdido: actualmente, es obligado tener una IA generativa en la organización, igual que lo es el correo o el PowerPoint, y la razón es evidente: es una tecnología indispensable, como lo fueron las máquinas de vapor en la revolución industrial.

A su vez, en esta aceleración y avances, como clientes y personas ciudadanas, exigimos a nuestras empresas, entidades bancarias y gobiernos que mantengan una razonable responsabilidad ambiental, social y de gobernanza. Pero con el actual sistema de procesadores gráficos destinados a dar forma a la IA Generativa, alguno de los Objetivos de Desarrollo Sostenible, (por nombrar dos, la acción por el clima y la producción y consumo responsables), son completamente antagónicos.

¿PROBLEMA O SOLUCIÓN?

Irónicamente, la inteligencia artificial (IA) puede ser una herramienta clave para alcanzar los Objetivos de Desarrollo Sostenible (ODS) establecidos por la ONU. A través de la automatización y el análisis de grandes datos, la IA puede contribuir a la acción climática mediante la optimización de recursos y la mejora de la eficiencia energética en diversas industrias. Y, sin embargo, el consumo energético requerido por los grandes modelos generativos y fundacionales actuales tienen un impacto medioambiental muy importante, por no decir dramático.

Por ejemplo, se estima que el consumo en el entrenamiento de los modelos actuales de ChatGPT consumen tanto como el consumo anual de 40 hogares. Generar un texto de 100 palabras en ChatGPT consume, en promedio, 519 mililitros de agua, equivalente a una botella de agua estándar, en cada consulta. La razón de la necesidad de tanta energía es simple: necesitamos modelar el conocimiento, a partir de un caos de datos, con la menor incertidumbre posible, y esto, en la teoría de la información, significa “enfriar” entornos complejos de datos con muchísima “entropía”, en “argot” informático, o con “temperaturas muy altas”, en un símil físico. A mayor temperatura, mayor desorden, lo que se traduce en la extracción de una menor información. Y los sistemas de computación clásicos actuales no son eficientes en esta tarea, se necesitan muchos bits y millones de parámetros para mitigar la incertidumbre, para seleccionar la respuesta correcta entre billones de posibilidades. Y esto es muy caro computacionalmente.

En este proceso, otro gran problema es el suministro de energía a dichos sistemas analíticos. Los data centers, donde se alojan los servidores que operan los modelos de IA, son responsables de cerca del 1% del consumo mundial de electricidad, según cifras de la International Energy Agency (IEA). La expansión de la IA y otros servicios digitales contribuyen al crecimiento del problema, aunque compañías como Google y Microsoft han conseguido que sus centros de datos funcionen con energía 100% renovable. Pero no siempre están disponibles las nuevas fuentes, como la solar y la eólica, circunstancias que generan la alternativa del uso de reactores nucleares modulares para el abastecimiento, y, en definitiva, un nuevo reto a solventar.

LOS 0 Y 1 SE QUEDAN ATRÁS

Con respecto a la complejidad computacional, si existiera una tecnología capaz de evaluar en paralelo todos los posibles estados de un sistema (las respuestas a un problema complejo) en paralelo, y en pocos ciclos de cómputo, la complejidad computacional disminuiría radicalmente, y, por lo tanto, la incertidumbre se resolvería de forma más eficiente, “enfriaríamos mejor”.

Y esta propiedad es, precisamente, la que nos ofrecen los sistemas cuánticos. Este hardware, basado en el crecimiento exponencial de la capacidad de almacenamiento cuántico, y en las ventajas del paralelismo cuántico, (podemos aplicar una función a todos los estados en un único ciclo), nos da como resultado sistemas computacionalmente más eficientes y, por lo tanto, energéticamente menos demandantes.

Teóricamente, incluso, muchas de las funciones cuánticas son reversibles, manteniendo la “coherencia” cuántica de la información, y, al no perder dicha información, tampoco modificarían su entropía, por lo que no consumirían energía, aunque, en contrapartida, la refrigeración de sus sistemas, así como el control de errores y las mediciones sí que lo hacen.

Por otro lado, en el suministro de energía a los centros de datos también requiere de una nueva tecnología. Y ahí es en dónde entra en juego el hidrógeno. El hidrógeno es considerado una de las soluciones clave para el almacenamiento de energía renovable, y puede desempeñar un papel crucial en la transición hacia un sistema energético más limpio y sostenible.

Por un lado, actúa como un almacén de energía para la electricidad generada por fuentes renovables intermitentes como la solar o eólica, permitiendo que el exceso de energía se convierta en hidrógeno mediante electrólisis y se almacene para su uso cuando la generación renovable sea baja, proporcionando flexibilidad al sistema energético.

Por otro lado, el hidrógeno es una alternativa clave para sectores difíciles de electrificar, como el transporte pesado y la industria, donde puede sustituir los combustibles fósiles y contribuir a la descarbonización, especialmente en la producción de acero, productos químicos y refinerías, ayudando a reducir las emisiones y cumplir con los objetivos climáticos globales.

Sin embargo, presenta varios desafíos, como su producción a través de electrólisis utilizando energía renovable, lo que requiere grandes cantidades de energía y tiene una eficiencia subóptima en comparación con otras formas de hidrógeno más baratas. El almacenamiento y transporte del hidrógeno también son problemáticos, ya que se requiere alta presión o temperaturas extremadamente bajas, procesos que son energéticamente intensivos y costosos, además de presentar riesgos de seguridad debido a su alta inflamabilidad.

Finalmente, la eficiencia general del ciclo de vida del hidrógeno es baja, ya que en cada etapa (producción, almacenamiento y reconversión) se generan pérdidas de energía, lo que lo hace menos eficiente que otras tecnologías de almacenamiento como las baterías basadas en otros componentes moleculares.

En este contexto, estamos ante un nuevo reto computacional: necesitamos un sistema de cálculo eficiente, completo y sostenible, que permita facilitar la simulación y diseño de materiales más eficientes para el proceso de electrólisis, un problema muy complejo para los sistemas computaciones actuales. Como ejemplo, optimizar los procesos químicos y ayudar a encontrar métodos más eficientes para la producción de hidrógeno utilizando menos energía requiere simulaciones de sistemas multi-físicos, que actualmente, lleva meses realizarlos en los sistemas computaciones clásicos, e incluso en los super-ordenadores actuales. El desarrollo de nuevos materiales en la búsqueda de una mejora en la optimización del almacenamiento de hidrógeno en el diseño de sistemas más eficientes de compresión y licuefacción reduciría el uso de energía en dicho proceso.

Todos estos problemas se basan en la dificultad de modelizar sistemas analógicos de partículas, ondas y fluidos, que, en realidad, no son más que sistemas cuánticos. Y como bien decía Poplavsky: “Los ordenadores clásicos no pueden simular eficientemente sistemas cuánticos”, a lo que Feynman respondía que, sin embargo, “como los ordenadores cuánticos son sistemas cuánticos, pueden (por definición) simular sistemas cuánticos. Por tanto, existe la ventaja cuántica”. Evidente. Los ordenadores cuánticos también son sistemas analógicos.

UNA NUEVA ERA DE LA IA

La computación cuántica es un área que está experimentando un rápido progreso y que está cambiando por completo la forma en que entendemos la informática y la resolución de problemas de optimización. Las simulaciones químicas, de fluidos, gases, en definitiva, partículas y ondas, con respecto a la generación, mejora, almacenamiento y procesado del hidrógeno son extremadamente difíciles y es necesario avanzar en la simulación de sistemas químicos y físicos en base a modelos de computación cuántica para avanzar en la comprensión de las interacciones entre moléculas complejas y en sus implicaciones en el desarrollo de nuevos productos, procesos y materiales.

Si queremos una tecnología computacional sostenible, necesitamos avanzar en otros paradigmas, como la computación cuántica, o la neuromórfica, y dirigir nuestros esfuerzos, sin duda, hacia una IA cuántica. La clave está en desarrollar tecnologías de IA cuánticas más eficientes que las IAs actuales clásicas, y, en paralelo, hibridar el aprovechamiento de energías renovables, con nuevas tecnologías, como el hidrógeno, de cara a promover una gobernanza responsable, apoyando la evolución de estas dos tecnologías, que se retroalimentan y entrelazan entre ellas, como clave vital para el futuro sostenible de nuestro país.