Ova AI sigurna od privatnosti mogla bi pretvoriti otpadne baterije u veliki profit

Autori: Shengyu Tao Haizhou Liu Chongbo Sun Haocheng Ji Guanjun Ji Zhiyuan Han Runhua Gao Jun Ma Ruifei Ma Yuou Chen Shiyi Fu Yu Wang Yaojie Sun Yu Rong Xuan Zhang Guangmin Zhou Hongbin Sun Sažetak Neredovite rabljene baterije s raznim materijalima katode ometaju usvajanje izravnog recikliranja zbog njihove specifičnosti za katodu. Povećanje broja odbačenih baterija zahtijeva precizno razvrstavanje za učinkovito izravno recikliranje, ali postoje izazovi zbog različitih operativnih povijesti, raznolikih proizvođača i zabrinutosti oko privatnosti podataka suradnika u recikliranju (vlasnika podataka). Ovdje prikazujemo, iz jedinstvenog skupa podataka od 130 litij-ionskih baterija koje pokrivaju 5 materijala katode i 7 proizvođača, kako pristup federiranog strojnog učenja može klasificirati ove rabljene baterije bez oslanjanja na prošle operativne podatke, čuvajući privatnost podataka suradnika. Korištenjem značajki ekstrahiranih iz ciklusa punjenja-pražnjenja na kraju životnog vijeka, naš model pokazuje pogreške u sortiranju katode od 1 % i 3 % u homogenim i heterogenim postavkama recikliranja baterija, redom, pripisane našoj inovativnoj strategiji glasovanja udaljenošću Wasserstein. Ekonomski, predložena metoda naglašava vrijednost preciznog sortiranja baterija za uspješnu i održivu industriju recikliranja. Ova studija najavljuje novi obrazac korištenja podataka osjetljivih na privatnost iz različitih izvora, omogućavajući kolaborativno donošenje odluka koje poštuju privatnost za distribuirane sustave. Uvod Litij-ionske baterije (LIB), koje služe kao uređaji za pohranu energije, stekle su široku primjenu u raznim domenama, od industrijske proizvodnje do svakodnevnog života kao prihvaćena tehnička ruta. Projekcije sugeriraju da će globalni proizvodni opseg LIB-ova premašiti 1,3 TWh do 2030. kada će rastuća potražnja za baterijama daleko premašiti dostupnost ključnih metalnih resursa poput litija i kobalta. Međutim, trenutni prosječni životni vijek LIB proizvoda iznosi 5-8 godina, što dovodi do neposrednog porasta broja odbačenih baterija u mnogim zemljama. Ako se ne upravlja pravilno, odbačene baterije rezultirat će neodrživim rasipanjem resursa i štetom za okoliš. S obzirom na ove okolnosti, razvoj tehnologije recikliranja baterija postaje od ključne važnosti dok se suočavamo s nadolazećim valom odbačenih LIB-ova. Nedavna napredovanja u istraživanju recikliranja baterija fokusirana su na pirometalurški, hidrometalurški i izravni pristup recikliranju. Nasuprot pirometalurškim i hidrometalurškim metodama, izravno recikliranje se ističe kao poseban pristup. Ovaj proces ne uzrokuje sekundarna oštećenja strukture materijala, omogućujući učinkovitiji popravak strukture i obnovu performansi. Nadalje, izravno recikliranje pokazuje veću profitabilnost, jer uključuje nižu potrošnju energije, smanjene emisije stakleničkih plinova i lakše ekološke otiske. Međutim, u stvarnoj proizvodnji, recikleri baterija često se susreću s LIB-ovima koji sadrže nepoznate komponente ili baterijske module koji se sastoje od mješavine različitih vrsta materijala katode. S obzirom da izravno recikliranje može biti snažno specifično za katodu, takva složenost čini primjenu izravnog recikliranja neizvedivom za postizanje pretvorbe vrijednosti odbačenih baterija. Ključno je naglasiti da čak i ako se ključni metali iz mješovitih materijala katode mogu ekstrahirati konvencionalnim strategijama recikliranja, međuigra između različitih materijala katode tijekom procesa recikliranja može negativno utjecati na kvalitetu proizvoda. Stoga, razumijevanje informacija o vrsti materijala katode sa strane recikliranja značajno utječe na izbor izravne rute recikliranja i u konačnici poboljšava kvalitetu proizvoda, profitabilnost i održivost. Predloženo je izravno recikliranje uz pomoć čovjeka za identificiranje informacija o vrsti materijala katode odbačenih baterija u karici predobrade, što još uvijek nije financijski isplativo kada se industrija recikliranja povećava. Kako bi se učinkovito dohvatilo informacije o vrsti katode odbačenih baterija, znanstvena i industrijska zajednica nedavno je pokrenula sustav praćenja životnog vijeka baterija i nove koncepte poput putovnice za baterije i genoma podataka o baterijama. Iako je veliki broj baterija korišten prije tih inicijativa, postoji rastući konsenzus da bi informacije o bateriji trebale biti dostupne tijekom cijelog životnog lanca kako bi se olakšalo donošenje odluka o drugom životu. Ovo je posebno slučaj za sektor recikliranja baterija, posljednju stanicu drugog života baterije, jer ruta recikliranja može biti snažno specifična za katodu. Međutim, sustavi praćenja životnog vijeka baterija ili putovnice za baterije omogućeni su elektroničkim uređajima poput bar kodova i komunikacija bliskog polja, što bi moglo zahtijevati intenzivna ulaganja i moglo bi biti široko nekompatibilno s različitim dizajnerima baterija. Nadalje, elektronički uređaji ostaju izazovni za dosljedno upravljanje tijekom njihovog životnog vijeka, što dovodi do istrošenih uređaja i nedostupnosti u fazi recikliranja jer moderan proizvodni proces LIB-ova još uvijek nije integriran od proizvodnje do recikliranja. Stoga su hitno potrebni daljnji proboji kako bi se postiglo učinkovito sortiranje tipa katode baterije samo korištenjem lako dostupnih informacija s terena, suprotno povijesnim zapisanim podacima ili ručno vođenom načinu, čime se olakšava usvajanje izravnog recikliranja radi poboljšanja kvalitete i profitabilnosti recikliranih proizvoda. Posljednjih godina, strojno učenje postalo je održiv alat za rješavanje otvorenih pitanja u svim područjima baterija. U drugim temama vezanim uz baterije, strojno učenje je nedavno omogućilo automatsko otkrivanje složenih mehanizama baterija, predviđanje preostalog korisnog vijeka, procjenu stanja zdravlja, optimizaciju profila cikliranja, aproksimaciju distribucije kvarova, čak i vođenje dizajna baterije, te predviđanje životnog vijeka odmah nakon proizvodnje. U slučaju recikliranja baterija, malo je radova istraživalo strojno učenje u vezi s materijalima katoda, što se pripisuje oskudnim podacima o baterijama, posebno za one ciklirane do kraja životnog vijeka. Velika većina objavljenih studija prikazuje vrlo ograničene veličine uzoraka i još su ograničenije u raznolikosti katoda baterija. Nedostatak je pripisan intenzivnim troškovima, dugom vremenu ispitivanja i, najvažnije, privatnosti podataka zbog komercijalnih ili interesnih razloga. Posljedično, problem privatnosti učvršćuje dilemu gdje postojeći podaci o baterijama, iako značajni po volumenu i raznolikosti od više strana poput proizvođača baterija, praktičnih aplikacija, akademskih institucija i platformi trećih strana, ne mogu biti podijeljeni. Takva dilema zahtijeva proučavanje sortiranja materijala katode kako bi se optimizirala ruta recikliranja baterija na kolaborativan, ali i način koji poštuje privatnost. Federirano strojno učenje, kao distribuirana paradigma koja čuva privatnost, ima potencijal riješiti probleme višestranačke suradnje (jednako, volumen i raznolikost podataka o baterijama) i probleme privatnosti kroz kolaborativno strojno učenje. U svakoj iteraciji obuke, distribuirani vlasnici podataka provode lokalnu obuku sa svojom lokalnom računalnom snagom, šifriraju parametre/rezultate modela dobivene obukom i učitavaju ih središnjem koordinatoru radi agregacije. Činjenica je da sirovi skupovi podataka nikada ne napuštaju svoje vlasnike, te da su preneseni parametri/rezultati pravilno šifrirani radi zaštite privatnosti podataka. Federirano strojno učenje je opsežno istraženo u brojnim aplikativnim poljima, uključujući javno zdravstvo, kliničku dijagnostiku, e-trgovinu, Internet stvari, mobilno računalstvo i pametne mreže. Ovaj pristup može revolucionirati paradigm istraživanja vođenog podacima u širokim energetskim sektorima omogućavajući kolaboraciju koja čuva privatnost, posebno za one s ograničenim pristupom podacima. U pogledu recikliranja baterija, federirano strojno učenje ima obećavajuće mogućnosti za iskorištavanje ogromne količine podataka o baterijama koje već postoje, ali se ne mogu dijeliti zbog zabrinutosti oko privatnosti. S takvom paradigmom koja omogućuje suradnju i istovremeno čuva privatnost, sortiranje odbačenih baterija može se provesti s visokom točnošću, učinkovitošću, skalabilnošću i generalizacijom, optimizirajući kvalitetu i profitabilnost recikliranih proizvoda. Koliko nam je poznato, studije federiranog strojnog učenja usmjerene na recikliranje baterija nikada nisu bile prijavljene. U ovoj studiji, provodimo sortiranje materijala katode odbačenih baterija, koristeći postojeće podatke o baterijama od više suradnika, kao što su proizvođači baterija, operateri praktičnih aplikacija, akademske istraživačke institucije i platforme trećih strana, na kolaborativan, a istovremeno način strojne učenja koji čuva privatnost, kao što je prikazano na slici 1. Naš model federiranog strojnog učenja treniran je koristeći samo jedan ciklus terenskih testnih podataka putem standardiziranog procesa ekstrakcije značajki, bez ikakvog prethodnog znanja o povijesnim uvjetima rada. Uspoređujemo prediktivnu snagu našeg modela federiranog strojnog učenja s onom neovisno naučenih lokalnih modela temeljenih na lokalnim podacima u homogenim i heterogenim okolnostima recikliranja baterija. Problem heterogenosti riješen je našom predloženom strategijom glasovanja udaljenošću Wasserstein. Provedena je ekonomska evaluacija recikliranja odbačenih baterija pomoću našeg predloženog okvira federiranog strojnog učenja, naglašavajući relevantnost i nužnost točnog sortiranja odbačenih baterija. Sveobuhvatno raspravljamo o interpretiranosti modela, implikacijama recikliranja baterija i širim izgledima buduće prakse recikliranja baterija integrirane s federiranim strojnim učenjem. Više izvora podataka, kao što su proizvođači baterija (Ljubaznošću Addionics), operateri praktičnih aplikacija (baterijski paket u podu Teslinog automobila. Ljubaznošću Tesle), akademske istraživačke institucije i platforme trećih strana, mogu biti doprinositelji podataka. Podaci o baterijama se ne razmjenjuju između suradnika niti se učitavaju recikleru baterija. Umjesto toga, doprinositelji podataka obučavaju lokalne modele i dijele parametre modela s reciklerom baterija kako bi izgradili globalni model. Predložena tehnika glasovanja udaljenošću Wasserstein spaja lokalne modele u globalni model, koji je robustan na neravnotežu podataka i šum. Recikleri baterija mogu koristiti zajednički izgrađeni model za sortiranje baterija, u kombinaciji s lako dostupnim podacima s terenskih ispitivanja. Naš okvir federiranog strojnog učenja potiče suradnike na dijeljenje podataka uz očuvanje privatnosti podataka, za razliku od tradicionalnog pristupa izolacije podataka. a b Rezultati Prikupljanje i standardizacija podataka Jedinstvena kinetika baterija u različitim vrstama baterija često je visokodimenzionalna i teška za karakterizaciju zbog različitih slučajeva uporabe, varijabilnosti proizvodnje i povijesnih korištenja. Kako bismo pronašli rješenje za ovu dilemu, prikupili smo i standardizirali 130 odbačenih baterija s 5 vrsta materijala katode od 7 proizvođača kako bismo konstruirali skup podataka izvan distribucije, ekvivalentno heterogen skup podataka. S obzirom na različita povijesna korištenja, kapaciteti prikupljenih baterija su ispod 90% nominalnog kapaciteta. Materijali katoda baterija su litij-kobalt-oksid (LCO), nikl-mangan-kobalt (NMC), litij-željezni fosfat (LFP), nikl-kobalt-aluminij-oksid (NCA) i mješoviti tipovi NMC-LCO, koji su dalje grupirani u 9 klasa na temelju proizvođača (Dodatna tablica 1). Namjerno smo uključili baterije s različitim povijesnim korištenjima, od laboratorijskog ispitivanja do profila vožnje električnih vozila, kako bismo obučili generalizirani model za reciklere baterija neovisno o povijesnim korištenjima i vrstama baterija. Za standardizaciju, svi podaci potrebni od recikla, su trenutno ispitani (terensko ispitivanje) ciklusi s jednim testom punjenja i pražnjenja, što je lako implementirati u praktičnim slučajevima. Podaci ispitani na terenu prvo se odšume popunjavanjem nedostajućih vrijednosti, zamjenom izvanrednih vrijednosti i primjenom medijanog filtriranja. Šum izazvan čovjekom i šum izazvan heterogenošću katode, međutim, namjerno su zadržani kako bi model bio otporan na nesavršene ulaze. Podaci se zatim linearno interpoliraju za popunjavanje krivulje (Dodatna slika 1) i ekstrapoliraju značajke radi smanjenja dimenzionalnosti, sa zajedničkim skupom parametara standardizacije (Dodatna napomena 1). Značajke ekstrahirane iz pipeline-a standardizacije dobro su interpretirane, što je briga od značajnog komercijalnog interesa. Koliko nam je poznato, ovo je prvi put da se heterogeni podaci o baterijama iz više izvora i povijesnih korištenja koriste za pomoć u dizajnu strategije recikliranja baterija. Slika 2a, 2b prikazuje proces ekstrapolacije značajki. Fokusiramo se na krivulju punjenja i pražnjenja odbačenih baterija u posljednjem ciklusu, tj. jednom ciklusu punjenja i jednom ciklusu pražnjenja (Dodatne slike 2-5). U ciklusu punjenja, 15 značajki se ekstrahira iz krivulje napona-kapaciteta i dQ/dV, gdje V i Q predstavljaju vrijednosti napona i kapaciteta, redom. Ista skupina značajki ekstrahira se za ciklus pražnjenja. Kao rezultat, ukupno se ekstrahira 30 značajki, kao što je naznačeno od F1 do F30. Za detaljno objašnjenje značajki pogledajte Dodatnu tablicu 2 i Dodatnu napomenu 2. Slika 2c prikazuje apsolutne i relativne vrijednosti značajki odabranih baterija iz svake klase. Većina relativnih vrijednosti značajki u različitim klasama preklapa se u regiji od -1 do 0 (svijetlozelena boja) i ne može se razlikovati, što ilustrira poteškoću u klasifikaciji tipa baterije korištenjem jednog ciklusa podataka o bateriji. Poteškoća je očekivana jer divergentni povijesni uvjeti rada mogu utjecati na kinetiku punjenja-pražnjenja baterija tako da izvučene značajke mogu biti u velikoj mjeri povezane unatoč različitim tipovima baterija (Dodatna slika 6). Umjesto izravnog tumačenja ekstrahiranih značajki pomoću stručnog znanja, koristimo alternativni pristup vođen podacima koji automatski koristi latentne obrasce u različitim tipovima baterija. Za proces punjenja, 15 značajki se ekstrahira iz krivulje napona-kapaciteta (lijevo) i krivulje dQ/dV (desno). Ista skupina značajki je i za proces pražnjenja kao F16 do F30. Značajke su vizualizirane po klasama, slijedeći format CxBn, koji označava nth bateriju iz klase x. Veličina kruga prikazuje apsolutnu vrijednost značajke. Izvor podaci su dostavljeni kao datoteka Izvor podataka. a b c Sortiranje odbačenih baterija s homogenim pristupom podacima Prvo razmatramo postavku u kojoj su podaci o baterijama homogeno raspoređeni među suradnicima (naime, klijentima). Homogenost znači da svaki klijent nudi dijeljenje podataka o baterijama za sve 9 klasa, iako specifičan broj baterija nije ograničen (Dodatna tablica 3). Obučavamo naš model federiranog strojnog učenja bez potrebe za informacijama o povijesnoj uporabi odbačenih baterija. U našem radu, reciklar i klijenti trebaju samo testirati odbačene baterije u trenutnom (terenskom ispitivanju) ciklusu, posebno, s potpunim ciklusom punjenja-pražnjenja za standardni proces ekstrapolacije značajki koji pokreće reciklar. Lokalni modeli se obučavaju na temelju značajki ekstrahiranih iz njihovih privatnih podataka o baterijama. Okvir federiranog strojnog učenja agregira parametre lokalnog modela, umjesto privatnih podataka o baterijama, kako bi reciklar mogao klasificirati odbačene baterije. Slika 3 prikazuje rezultate sortiranja kada klijenti doprinose homogenim podacima o baterijama. Slika 3a uspoređuje dvije metode federiranog strojnog učenja, tj. većinsko glasovanje (MV) i naše predloženo glasovanje udaljenošću Wasserstein (WDV), s paradigmom neovisnog učenja (IL). Treba napomenuti da je točnost za IL prosječna preko svih klijenata na ne-federiran način. U usporedbi s IL, MV ne žrtvuje učinkovitost sortiranja, s prosječnom točnošću od 95%, dok je sposoban zaštititi privatnost podataka i ublažiti računalno opterećenje. Međutim, 3 klase su pogrešno sortirane korištenjem MV. Na primjer, 3 baterije u NMC (SNL, klasa 8, 15 ukupno) pogrešno su sortirane u NCA (SNL, klasa 7), što rezultira točnošću sortiranja od 80%. Točnost sortiranja za NCA (UL-PUR, klasa 9) je 81%, s 2 baterije pogrešno sortirane u NMC (MICH_Form, klasa 4) i 1 baterijom pogrešno sortiranom u mješoviti tip NMC/LCO (HNEI, klasa 2), redom. Nasuprot tome, WDV nadmašuje MV budući da je samo jednu bateriju pogrešno sortirao, što rezultira točnošću sortiranja od 99%. Također procjenjujemo vjerojatnost predviđanja svake klase za MV i WDV, redom. Pokazuje se da WDV vrši sigurnije sortiranje od MV budući da su vjerojatnosti predviđanja WDV-a općenito nagnute udesno prema većoj vrijednosti vjerojatnosti. Stoga, naš predloženi WDV proizvodi više točnosti sortiranja preko svih klasa, a sortiranje je bogatije intervalima pouzdanosti vjerojatnosti. Matrica zabune za metode većinskog glasovanja (MV) i glasovanja udaljenošću Wasserstein (WDV), redom. Razmatramo distribuciju vjerojatnosti predviđanja za svaku klasu. Sortiranje neovisnog učenja (IL) je označeno. Distribucija točnosti sortiranja i proračun privatnosti (PB) za IL, MV i WDV u prisutnosti slučajnog šuma. PB vrijednost se referencira na razini točnosti od 90%. Prosječni F1-rezultat rezultata sortiranja i PB-ovi u svakoj klasi koristeći IL, MV i WDV. PB vrijednosti se sve referenciraju na razini F1-rezultata od 0,9. Podaci su predstavljeni kao srednje vrijednosti ±1 standardna devijacija. Važnost značajki, u opadajućem redoslijedu. Podslika prikazuje prostor značajki definiran prvim dvjema najvažnijim značajkama. Podaci su predstavljeni kao srednje vrijednosti + 1 standardna devijacija. Izvor podataka je dostavljen kao datoteka Izvor podataka. a b c d Također procjenjujemo proračun privatnosti (PB, odjeljak "Metode"), uzimajući u obzir da podaci klijenta mogu biti ranjivi na obrnuto inženjerstvo prisluškivanjem privatnih podataka. U tom smislu, dodajemo slučajni Gaussov šum podacima klijenta s različitim intenzitetima. Intenzitet slučajnosti kontrolira se omjerom šuma prema signalu (NSR), koji varira od 1% do 10%. Slika 3b prikazuje usporedbu točnosti i proračuna privatnosti kada se koriste IL, MV i WDV, redom. Točnost sortiranja MV-a smanjuje se s 95% na 82%, slično IL-u kada se intenzitet šuma povećava od 1% do 10%. U ovom rasponu šuma, medijan točnosti sortiranja MV-a i IL-a iznosi 92% i 86%, redom. Nasuprot tome, točnost sortiranja WDV-a je još uvijek iznad 90% u prisutnosti 10% šuma, što je strog nivo šuma u praktičnim slučajevima. WDV ima medijan točnosti sortiranja preko 95% u istom rasponu šuma. Uzimajući prosječnu točnost sortiranja od 90% kao prihvatljivu referentnu razinu, PB vrijednosti za IL, MV i WDV su 4, 6 i 10, redom. Stoga, primjena federiranog strojnog učenja proizvodi sigurnije sortiranje od IL-a, te je sposobna spriječiti prisluškivanje podataka. Nadalje, naš predloženi WDV je točniji i puno bolje performira (s gotovo udvostručenim PB vrijednostima) u trgovanju točnosti-privatnosti od MV-a. Osim toga, robusnost na strogi šum kada se koristi WDV također podrazumijeva dobru toleranciju na zahtjeve mjerenja baterije, smanjujući skupe troškove ispitivanja baterije. Primjećujući da visoka točnost sortiranja ne podrazumijeva nužno prihvatljivo sortiranje za određenu klasu, također razmatramo performanse sortiranja unutar klase. Slika 3c prikazuje F1-rezultat i proračun privatnosti za IL, MV i WDV u svakoj predviđenoj klasi; napominjemo da je postavka privatnosti identična kao na slici 3b. Rezultat pokazuje da IL ima niže F1-rezultate nego u federiranom načinu strojnog učenja u svim klasama, što rezultira lošim sortiranje. Što se tiče federiranog strojnog učenja, WDV nadmašuje MV u svakoj predviđenoj klasi proizvodeći više prosječne F1-rezultate. Raspon odstupanja F1-rezultata za WDV manji je od onog za MV, što ukazuje da je WDV robusniji (Dodatna slika 7). Stoga, naš predloženi WDV ne samo da ima bolju ukupnu točnost sortiranja među svih devet klasa (Slika 3b), već i unutar svake klase, u usporedbi s MV. Što se tiče proračuna privatnosti, PB vrijednost kada se koristi ne-federirani IL, referencirana na razini F1-rezultata od 0,9, značajno je niža od federiranog načina (Dodatna tablica 4) preko svih klasa. Ovo ukazuje na ozbiljniji rizik od curenja podataka za IL u usporedbi s federiranim strojnim učenjem. Kada se dodatno primijeni naš predloženi WDV, proračun privatnosti može se povećati za 78% i 44% u usporedbi s ne-federiranim IL-om i federiranim MV-om, redom (Dodatna tablica 4). Rezultati pokazuju da WDV uspješno koristi uvide vezane uz kemiju baterija skrivene u klijentima, istovremeno učinkovito čuvajući privatnost podataka klijenata. Zatim interpretiramo naš model federiranog strojnog učenja procjenom najvažnijih značajki povezanih s kemijom katode baterije. Slika 3d prikazuje važnost značajki u opadajućem redoslijedu. Traka pogreške ukazuje na odstupanje važnosti. Značajke F1 i F16 zauzimaju prve dvije pozicije u smislu izvan-vrećinske važnosti (odjeljak "Metode"). Zanimljivo je da ove dvije značajke imaju jasno fizičko tumačenje dinamike baterije, o čemu ćemo dalje raspravljati u kasnijim odjeljcima. Ovdje racionaliziramo ove dvije značajke crtanjem grupnih uzoraka baterija u prostoru značajki definiranom značajkama F1 i F16. Podslika slike 3d pokazuje da su mješoviti tip NMC/LCO (HNEI, klasa 2), NMC (MICH_Expa, klasa 3) i LFP (SNL, klasa 6) (koji dijele boju sa slikom 3a) jasno razdvojivi u definiranom prostoru značajki. Za preostale klase, baterije su još uvijek razdvojive (vidi uvećani prikaz), iako u relativno finijim zrnima. Suprotno tome, neznačajne značajke imaju relativno slabiju sposobnost sortiranja zbog nedefiniranog prostora značajki (Dodatna slika 8). Kao rezultat, naš okvir federiranog strojnog učenja uspješno je otkrio korisne uvide u mehanizme kako bi jamčio točnosti sortiranja. Takav uvid može se dalje proširiti kako bi se pojednostavio model za lagano računanje, stoga manje ulaganje. Nakon što lokalni modeli klasificiraju baterije, reciklar može agregirati rezultate klijenata kako bi donio konačnu odluku o tipovima materijala katode baterije temeljenim na važnim značajkama. Sortiranje odbačenih baterija s heterogenim pristupom podacima Također razmatramo ekstremnu, ali stvarniju situaciju u kojoj se podaci mogu isključivo raspršiti među klijentima, tj. distribucija podataka je heterogena. U ovoj situaciji, problem heterogenosti postavlja više izazova za sortiranje tipa baterije jer su klijenti skloni treniranju pristranih modela i pogoršanju globalne točnosti, što je još uvijek otvoreno pitanje u federiranom strojnom učenju. U ovom odjeljku istražujemo izazovniju situaciju nego što je homogeni pristup podacima među svakim klijentom (Dodatna napomena 3). Demonstriramo da naš okvir federiranog strojnog učenja još uvijek može klasificirati odbačene baterije na temelju standardnog procesa ekstrapolacije značajki u trenutnom (terenskom ispitivanju) ciklusu, bez ikakvog znanja o prethodnim uvjetima rada. Slika 4 prikazuje rezultate sortiranja kada klijenti imaju heterogen pristup podacima. Razmatramo indeks heterogenosti, definiran kao minimalan broj klasa baterija za svakog klijenta u svakoj Monte Carlo simulaciji. Viši indeks heterogenosti ukazuje na manje heterogenu distribuciju podataka o baterijama. Indeks heterogenosti nije manji od dva, tako da jedan klijent može trenirati lokalni model za zadatak sortiranja. Slika 4a prikazuje prosječnu točnost sortiranja kada indeks heterogenosti varira. Prosječne točnosti prikazane su punim linijama, sa rasponom standardne devijacije naznačenim zasjenjenim područjem. Kako se indeks heterogenosti smanjuje s 9 na 2, učinkovitost MV-a i IL-a brzo se pogoršava sub-linearnom stopom. Prosječna točnost sortiranja MV-a iznosi 0,55, neznatno bolja od IL-a, što je ekvivalentno slučajnom pogađanju kada je razina heterogenosti dva. Ova opservacija pokazuje da MV malo pomaže u agregiranju lokalnih modela pod heterogenim pristupom podacima. Nasuprot tome, WDV nadmašuje svoj MV pandan u svim razinama heterogenosti, uspješno ublažavajući problem heterogene distribucije podataka. Nadalje, WDV pokazuje zanimljiv asimptotski efekt kada se indeks heterogenosti povećava. Ovo ukazuje da WDV potencijalno može podržati optimalnu alokaciju/distribuciju podataka o baterijama klijenata kako bi se smanjili troškovi suradnje u praktičnim situacijama recikliranja baterija.