Questa IA a prova di privacy potrebbe trasformare i rifiuti delle batterie in grandi profitti

```html 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 Astratto Le batterie dismesse non ordinate con vari materiali catodici ostacolano l'adozione del riciclo diretto a causa della loro natura specifica del catodo. L'aumento delle batterie dismesse richiede uno smistamento preciso per un riciclo diretto efficace, ma sorgono sfide a causa di diverse storie operative, diversi produttori e preoccupazioni sulla privacy dei dati dei collaboratori del riciclo (proprietari dei dati). Qui mostriamo, da un set di dati unico di 130 batterie agli ioni di litio che coprono 5 materiali catodici e 7 produttori, che un approccio di machine learning federato può classificare queste batterie dismesse senza fare affidamento sui dati operativi passati, salvaguardando la privacy dei dati dei collaboratori del riciclo. Utilizzando le caratteristiche estratte dal ciclo di carica-scarica a fine vita, il nostro modello mostra errori di smistamento del catodo dell'1% e del 3% rispettivamente in contesti di riciclo di batterie omogenei ed eterogenei, attribuibili alla nostra innovativa strategia di voto basata sulla distanza di Wasserstein. Economicamente, il metodo proposto sottolinea il valore dello smistamento preciso delle batterie per un'industria del riciclo prospera e sostenibile. Questo studio apre un nuovo paradigma di utilizzo di dati sensibili alla privacy da diverse fonti, facilitando il processo decisionale collaborativo e rispettoso della privacy per sistemi distribuiti. Introduzione Le batterie agli ioni di litio (LIB), che fungono da dispositivi di accumulo di energia, hanno guadagnato un'ampia diffusione in vari settori, dalla produzione industriale alla vita quotidiana come percorso tecnico accettato. Le proiezioni suggeriscono che la scala di produzione globale delle LIB supererà 1,3 TWh entro il 2030 quando la crescente domanda di batterie supererà di gran lunga la disponibilità di risorse metalliche vitali come il litio e il cobalto. Tuttavia, la durata media attuale dei prodotti LIB è di 5-8 anni, il che porta a un imminente aumento delle batterie dismesse in molti paesi. Se non gestite correttamente, le batterie dismesse comporteranno uno spreco insostenibile di risorse e danni ambientali. Date queste circostanze, lo sviluppo della tecnologia di riciclo delle batterie assume un'importanza cruciale mentre affrontiamo l'imminente marea di smaltimenti di LIB. I recenti progressi nella ricerca sul riciclo delle batterie si sono concentrati sugli approcci pirometallurgici, idrometallurgici e di riciclo diretto. A differenza dei metodi pirometallurgici e idrometallurgici, il riciclo diretto si distingue come un approccio distinto. Questo processo non infligge danni secondari alla struttura del materiale, consentendo una riparazione strutturale e un ripristino delle prestazioni più efficienti. Inoltre, il riciclo diretto presenta una maggiore redditività, poiché comporta un minor consumo energetico, minori emissioni di gas serra e un minore impatto ambientale. Nella produzione effettiva, tuttavia, i riciclatori di batterie incontrano frequentemente LIB contenenti componenti sconosciuti o moduli di batterie costituiti da una miscela di diversi tipi di materiali catodici. Considerando che il riciclo diretto può essere fortemente specifico per il catodo, tale complessità rende inapplicabile l'applicazione del riciclo diretto per ottenere la conversione di valore delle batterie dismesse. È fondamentale sottolineare che anche se i metalli vitali di diversi tipi di materiali catodici possono essere estratti utilizzando strategie di riciclo convenzionali, l'interazione tra diversi materiali catodici durante il processo di riciclo può influire negativamente sulla qualità del prodotto. Pertanto, la comprensione delle informazioni sul tipo di materiale catodico dal lato del riciclo influisce in modo significativo sulla scelta del percorso di riciclo diretto e migliora in definitiva la qualità del prodotto, la redditività e la sostenibilità. Il riciclo diretto assistito dall'uomo è stato proposto per identificare le informazioni sul tipo di materiale catodico delle batterie dismesse nel collegamento di pre-trattamento, che non è ancora economicamente sostenibile quando l'industria del riciclo è in espansione. Per recuperare efficacemente le informazioni sul tipo di catodo delle batterie dismesse, la comunità scientifica e industriale ha recentemente avviato un sistema di tracciamento della durata della batteria e concetti emergenti come passaporto della batteria e genoma dei dati della batteria. Sebbene siano state utilizzate numerose batterie prima di queste iniziative, c'è un crescente consenso sul fatto che le informazioni sulla batteria debbano essere accessibili durante tutta la catena di vita per facilitare il processo decisionale per la seconda vita. Questo è particolarmente vero per il settore del riciclo delle batterie, l'ultima stazione della seconda vita della batteria, poiché il percorso di riciclo può essere fortemente specifico per il catodo. Tuttavia, i sistemi di tracciamento della durata della batteria o i passaporti delle batterie sono abilitati da gadget elettronici come codici a barre e comunicazioni near-field, che potrebbero introdurre investimenti intensivi ed essere ampiamente incompatibili con diversi progettisti di batterie. Inoltre, i gadget elettronici rimangono difficili da gestire in modo coerente durante la loro durata, portando a dispositivi usurati e inaccessibilità nella fase di riciclo poiché il moderno processo di produzione delle LIB non è ancora integrato dalla produzione al riciclo. Pertanto, sono urgentemente necessari ulteriori progressi per ottenere uno smistamento efficiente del tipo di catodo della batteria utilizzando solo informazioni di campo facilmente accessibili, in contrapposizione ai dati storici registrati o al modo assistito dall'uomo, facilitando l'adozione del riciclo diretto per migliorare la qualità e la redditività dei prodotti riciclati. Negli ultimi anni, il machine learning è emerso come uno strumento valido per affrontare questioni aperte in tutti i campi delle batterie. In altri argomenti relativi alle batterie, il machine learning ha recentemente permesso di scoprire automaticamente complessi meccanismi delle batterie, prevedere la vita utile residua, valutare lo stato di salute, ottimizzare il profilo di ciclaggio, approssimare la distribuzione dei guasti, persino guidare la progettazione della batteria e prevedere le prestazioni per tutta la vita immediatamente dopo la produzione. Nel caso del riciclo delle batterie, pochi lavori hanno studiato il machine learning riguardo ai materiali catodici, il che è imputabile alla scarsità dei dati sulle batterie, soprattutto per quelle utilizzate fino alla fine della vita. La stragrande maggioranza degli studi pubblicati presenta dimensioni del campione molto limitate e sono ancora più limitati nella diversità dei catodi delle batterie. La scarsità è attribuita all'alto costo, al lungo tempo di test e, soprattutto, alla privacy dei dati dovuta a preoccupazioni commerciali o di interesse. Di conseguenza, il problema della privacy irrigidisce il dilemma in cui i dati esistenti sulle batterie, sebbene sostanziali in volume e diversità da più parti come produttori di batterie, applicazioni pratiche, istituti accademici e piattaforme di terze parti, non possono essere condivisi. Tale dilemma richiede lo studio dello smistamento dei materiali catodici per ottimizzare la scelta del percorso di riciclo delle batterie in modo collaborativo e rispettoso della privacy. Il machine learning federato, come paradigma distribuito e rispettoso della privacy, ha il potenziale per risolvere sia la collaborazione multiparte (equivalente, volume e diversità dei dati delle batterie) che i problemi di privacy attraverso il machine learning collaborativo. In ogni iterazione di addestramento, i proprietari dei dati distribuiti eseguono l'addestramento locale con la loro potenza di calcolo locale, crittografano i parametri/risultati del modello addestrato e li caricano su un coordinatore centrale per l'aggregazione. I fatti sono che i set di dati grezzi non lasciano mai i rispettivi proprietari dei dati e che i parametri/risultati trasferiti sono adeguatamente crittografati per proteggere la privacy dei dati. Il machine learning federato è stato ampiamente studiato in numerosi campi applicativi, tra cui la sanità pubblica, la diagnosi clinica, l'e-commerce, l'Internet delle cose, il calcolo mobile e la smart grid. Questo approccio può rivoluzionare il paradigma della ricerca basata sui dati in ampi settori energetici consentendo la collaborazione rispettosa della privacy, specialmente per quelli con accesso limitato ai dati. Per quanto riguarda il settore del riciclo delle batterie, il machine learning federato offre promettenti possibilità per sfruttare l'enorme quantità di dati sulle batterie già esistenti ma che non possono essere condivisi a causa di preoccupazioni sulla privacy. Con un tale paradigma collaborativo e rispettoso della privacy, lo smistamento delle batterie dismesse può essere implementato con elevata accuratezza, efficienza, scalabilità e generalizzazione, ottimizzando la qualità e la redditività dei prodotti riciclati. Per quanto ne sappiamo, non sono mai stati segnalati studi di machine learning federato incentrati sul riciclo delle batterie. In questo studio, eseguiamo uno smistamento dei materiali catodici delle batterie dismesse, sfruttando i dati esistenti sulle batterie da più collaboratori, come produttori di batterie, operatori di applicazioni pratiche, istituti di ricerca accademica e piattaforme di terze parti, in modo di machine learning collaborativo e rispettoso della privacy come illustrato nella Fig.. Il nostro modello di machine learning federato è stato addestrato utilizzando un solo ciclo di dati di test sul campo tramite un processo di estrazione di funzionalità standardizzato, senza alcuna conoscenza preliminare delle condizioni operative storiche. Confrontiamo il potere predittivo del nostro modello di machine learning federato con quello dei modelli locali appresi in modo indipendente basati sui dati locali in circostanze di riciclo di batterie sia omogenee che eterogenee. Il problema dell'eterogeneità viene risolto dalla nostra proposta strategia di voto basata sulla distanza di Wasserstein. Viene condotta una valutazione economica del riciclo delle batterie dismesse utilizzando il nostro framework di machine learning federato proposto, evidenziando la rilevanza e la necessità di uno smistamento accurato delle batterie dismesse. Discutiamo in modo completo l'interpretabilità del modello, le implicazioni per il riciclo delle batterie e le prospettive più ampie della futura pratica di riciclo delle batterie integrate con il machine learning federato. Molteplici fonti di dati, come produttori di batterie (Immagine per gentile concessione di Addionics), operatori di applicazioni pratiche (pacco batteria nel pianale di una Tesla. Immagine per gentile concessione di Tesla), istituti di ricerca accademica e piattaforme di terze parti, possono essere contributori di dati. I dati delle batterie non vengono scambiati tra i contributori né caricati sul riciclatore di batterie. Invece, i contributori di dati addestrano modelli locali e condividono i parametri del modello con il riciclatore di batterie per costruire un modello globale. La tecnica proposta di voto basata sulla distanza di Wasserstein fonde i modelli locali nel modello globale, che è robusto allo squilibrio dei dati e al rumore. I riciclatori di batterie possono utilizzare il modello costruito congiuntamente per lo smistamento delle batterie, combinato con dati di test sul campo facilmente accessibili. Il nostro framework di machine learning federato incoraggia i collaboratori a condividere i dati preservando la privacy dei dati rispetto al tradizionale paradigma dell'isolamento dei dati. a b Risultati Raccolta e standardizzazione dei dati Le cinetiche uniche delle batterie in diversi tipi di batterie sono spesso ad alta dimensionalità e difficili da caratterizzare a causa di casi operativi divergenti, variabilità di produzione e utilizzi storici. Per trovare una soluzione a questo dilemma, abbiamo raccolto e standardizzato 130 batterie dismesse con 5 tipi di materiali catodici da 7 produttori per costruire un set di dati eterogeneo, equivalente fuori distribuzione. Dati diversi utilizzi storici, le capacità delle batterie raccolte sono inferiori al 90% della capacità nominale. I materiali catodici delle batterie sono ossido di litio cobalto (LCO), nichel manganese cobalto (NMC), litio ferro fosfato (LFP), ossido di nichel-cobalto-alluminio (NCA) e tipi misti NMC-LCO, che sono ulteriormente raggruppati in 9 classi in base ai produttori (Tabella Supplementare). Abbiamo intenzionalmente incluso batterie con utilizzi storici divergenti, dai test di laboratorio ai profili di guida dei veicoli elettrici, per addestrare un modello generalizzato per il riciclatore di batterie indipendentemente dagli utilizzi storici e dai tipi di batteria. Per la standardizzazione, tutti i dati richiesti dal riciclatore sono il ciclo attualmente rilevato (test sul campo) con un test di carica e scarica, facile da implementare in casi pratici. I dati rilevati vengono prima filtrati dal rumore riempiendo i valori mancanti, sostituendo gli outlier ed eseguendo un filtraggio mediano. Rumori indotti dall'uomo e rumori indotti dall'eterogeneità del catodo vengono deliberatamente mantenuti, per rendere il modello robusto a input imperfetti. I dati vengono quindi interpolati linearmente per il riempimento delle curve (Figura Supplementare) e le funzionalità vengono ingegnerizzate per la riduzione della dimensionalità, con un set condiviso di parametri di standardizzazione (Nota Supplementare). Le caratteristiche estratte dalla pipeline di standardizzazione sono ben interpretabili, una preoccupazione di significativo interesse commerciale. Per quanto ne sappiamo, è la prima volta che dati eterogenei di batterie da più fonti e utilizzi storici vengono utilizzati per assistere nella progettazione della strategia di riciclo delle batterie. Le figure [cite:2a, 2b] dimostrano il processo di ingegneria delle funzionalità. Ci concentriamo sulla curva di carica e scarica delle batterie dismesse nell'ultimo ciclo, ovvero un ciclo di carica e uno di scarica (Figure Supplementari [cite:2-5]). Nel ciclo di carica, vengono estratte 15 funzionalità dalle curve di tensione-capacità e dQ/dV, dove V e Q si riferiscono ai valori di tensione e capacità, rispettivamente. Lo stesso set di funzionalità viene estratto per il ciclo di scarica. Di conseguenza, vengono estratte 30 funzionalità in totale, come indicato da F1 a F30. Fare riferimento alla Tabella Supplementare e alla Nota Supplementare per una spiegazione dettagliata delle funzionalità. La Figura [cite:2c] mostra i valori assoluti e relativi delle funzionalità delle batterie selezionate di ciascuna classe. La maggior parte dei valori relativi delle funzionalità nelle diverse classi si sovrappone nella regione da -1 a 0 (con il colore verde chiaro) e sono indistinguibili, illustrando la difficoltà nel classificare il tipo di batteria utilizzando un ciclo di dati della batteria. La difficoltà è prevista poiché le condizioni operative storiche divergenti possono influenzare le cinetiche di carica-scarica delle batterie in modo tale che le funzionalità estratte possano essere ampiamente correlate nonostante i diversi tipi di batterie (Figura Supplementare). Piuttosto che interpretare direttamente le funzionalità estratte con la conoscenza degli esperti, impieghiamo un approccio alternativo basato sui dati che sfrutta automaticamente i modelli latenti attraverso vari tipi di batterie. Per il processo di carica, vengono estratte 15 funzionalità dalla curva tensione-capacità (sinistra) e dalla curva dQ/dV (destra). Lo stesso set di funzionalità è per il processo di scarica come F16-F30. Le funzionalità sono visualizzate per classi, seguendo il formato CxBn, che indica la n-esima batteria della classe x. La dimensione di un cerchio mappa il valore assoluto della funzionalità. I dati sorgente sono forniti come file Source Data. a b c Smistamento delle batterie dismesse con accesso omogeneo ai dati Consideriamo innanzitutto uno scenario in cui i dati delle batterie sono distribuiti omogeneamente tra i collaboratori (cioè, i client). L'omogeneità significa che ogni client offre di condividere i dati delle batterie attraverso tutte le 9 classi, anche se il numero specifico di batterie non è limitato (Tabella Supplementare). Addestriamo il nostro modello di machine learning federato senza richiedere informazioni sull'uso storico delle batterie dismesse. Nel nostro lavoro, il riciclatore e i client devono solo testare le batterie dismesse nel ciclo corrente (test sul campo), in particolare, con un ciclo completo di carica-scarica per un processo standard di ingegneria delle funzionalità avviato dal riciclatore. I modelli locali vengono addestrati sulla base delle funzionalità estratte dai loro dati privati sulle batterie. Il framework di machine learning federato aggrega i parametri del modello locale, piuttosto che i dati privati sulle batterie, affinché il riciclatore possa classificare le batterie dismesse. La Figura mostra i risultati dello smistamento quando i client contribuiscono con dati omogenei sulle batterie. La Figura [cite:3a] confronta due metodi di machine learning federato, ovvero il voto di maggioranza (MV) e la nostra proposta di voto basato sulla distanza di Wasserstein (WDV), con il paradigma dell'apprendimento indipendente (IL). Va notato che l'accuratezza per l'IL è mediata su tutti i client in modo non federato. Rispetto all'IL, l'MV non sacrifica le prestazioni di smistamento, con un'accuratezza media del 95%, pur essendo in grado di proteggere la privacy dei dati e mitigare l'onere computazionale. Tuttavia, 3 classi vengono smistate erroneamente utilizzando l'MV. Ad esempio, 3 batterie in NMC (SNL, classe 8, 15 in totale) vengono smistate erroneamente in NCA (SNL, classe 7), con conseguente accuratezza di smistamento dell'80%. L'accuratezza di smistamento per NCA (UL-PUR, classe 9) è dell'81%, con 2 batterie smistate erroneamente in NMC (MICH_Form, classe 4) e 1 batteria smistata erroneamente in un tipo misto NMC/LCO (HNEI, classe 2), rispettivamente. Al contrario, il WDV supera l'MV poiché smista erroneamente solo una batteria, con conseguente accuratezza di smistamento del 99%. Valutiamo anche la probabilità predittiva di ciascuna classe per l'MV e il WDV, rispettivamente. Si scopre che il WDV fa uno smistamento più sicuro dell'MV poiché le probabilità predittive del WDV sono generalmente asimmetriche verso un valore di probabilità più alto. Pertanto, il nostro WDV proposto produce accuratezze di smistamento più elevate in tutte le classi e lo smistamento ha margini di confidenza di probabilità più ricchi. La matrice di confusione per i metodi di voto di maggioranza (MV) e voto basato sulla distanza di Wasserstein (WDV), rispettivamente. Consideriamo la distribuzione della probabilità predittiva per ciascuna classe. Lo smistamento dell'apprendimento indipendente (IL) è annotato. Distribuzione dell'accuratezza dello smistamento e budget per la privacy (PB) dell'IL, MV e WDV in presenza di rumore casuale. Il valore PB è riferito a un livello di accuratezza del 90%. F1-score medio dei risultati di smistamento e PB in ciascuna classe utilizzando IL, MV e WDV. I valori PB sono tutti riferiti a un livello di F1-score di 0.9. I dati sono presentati come valori medi ± 1 deviazione standard. Importanza delle funzionalità, in ordine decrescente. Il sotto-grafico mostra lo spazio delle funzionalità delimitato dalle prime due funzionalità più salienti. I dati sono presentati come valori medi + 1 deviazione standard. I dati sorgente sono forniti come file Source Data. a b c d Valutiamo anche il budget per la privacy (PB, sezione "Metodi"), considerando che i dati del client potrebbero essere vulnerabili al reverse engineering intercettando dati privati. A questo proposito, aggiungiamo rumore Gaussiano casuale ai dati del client con diverse intensità. L'intensità del rumore è controllata da un rapporto rumore-segnale (NSR), che varia dall'1% al 10%. La Figura [cite:3b] mostra il confronto tra accuratezza e budget per la privacy utilizzando rispettivamente IL, MV e WDV. L'accuratezza dello smistamento dell'MV diminuisce dal 95% all'82%, simile a quella dell'IL quando l'intensità del rumore aumenta dall'1% al 10%. In questo intervallo di rumore, l'accuratezza media di smistamento dell'MV e dell'IL è rispettivamente del 92% e dell'86%. Al contrario, l'accuratezza di smistamento del WDV è ancora superiore al 90% in presenza di rumore del 10%, che è un livello di rumore stringente nei casi pratici. Il WDV ha un'accuratezza media di smistamento superiore al 95% nello stesso intervallo di rumore. Prendendo un'accuratezza media di smistamento del 90% come livello di riferimento accettabile, i valori PB dell'IL, MV e WDV sono rispettivamente 4, 6 e 10. Pertanto, l'applicazione del machine learning federato produce uno smistamento più sicuro per la privacy rispetto all'IL, essendo quindi in grado di prevenire l'intercettazione dei dati. Inoltre, il nostro WDV proposto è più accurato e funziona molto meglio (con valori PB quasi raddoppiati) rispetto all'MV nel compromesso privacy-accuratezza. Inoltre, la robustezza a rumori stringenti quando si utilizza il WDV implica anche una buona tolleranza ai requisiti di misurazione della batteria, riducendo lo dispendio costoso dei test della batteria. Notando che un'elevata accuratezza di smistamento non implica necessariamente uno smistamento accettabile per una classe specifica, consideriamo anche le prestazioni di smistamento all'interno della classe. La Figura [cite:3c] mostra l'F1-score e il budget per la privacy dell'IL, MV e WDV in ogni classe predetta; si noti che l'impostazione della privacy è identica a quella della Figura [cite:3b]. Il risultato mostra che l'IL ha punteggi F1 inferiori rispetto al modo del machine learning federato in tutte le classi, producendo smistamenti scadenti. Per quanto riguarda il machine learning federato, il WDV supera l'MV in ogni classe predetta producendo F1-score medi più alti. L'intervallo di deviazione degli F1-score per WDV è più piccolo di quello dell'MV, indicando che il WDV è più robusto (Figura Supplementare). Pertanto, il nostro WDV proposto non solo ha un'accuratezza di smistamento complessiva migliore tra tutte le nove classi (Fig. [cite:3b]) ma anche all'interno di ciascuna classe, rispetto all'MV. Per quanto riguarda il budget per la privacy, il valore PB quando si utilizza l'IL non federato, riferito a un livello di F1-score di 0.9, è significativamente inferiore rispetto al modo federato (Tabella Supplementare) in tutte le classi. Ciò indica un rischio più grave di fuga di dati per l'IL rispetto al machine learning federato. Applicando ulteriormente il nostro WDV proposto, il budget privato può aumentare del 78% e del 44% rispetto all'IL non federato e all'MV federato, rispettivamente (Tabella Supplementare). I risultati dimostrano che il WDV sfrutta con successo le intuizioni relative alla chimica delle batterie nascoste nei client, preservando efficacemente la privacy dei dati dei client. Interpretiamo quindi il nostro modello di machine learning federato valutando le funzionalità più salienti correlate alla chimica del catodo della batteria. La Figura [cite:3d] mostra l'importanza delle funzionalità in ordine decrescente. La barra di errore indica la deviazione dell'importanza. Le funzionalità F1 e F16 si classificano tra le prime due funzionalità in termini di importanza out-of-bag (sezione "Metodi"). Interessantemente, queste due funzionalità hanno un'interpretazione fisica chiara della dinamica della batteria, che discuteremo ulteriormente nelle sezioni successive. Qui, razionalizziamo queste due funzionalità tracciando i campioni di batteria raggruppati nello spazio delle funzionalità delimitato dalle prime due funzionalità più salienti. Il sotto-grafico della Figura [cite:3d] mostra che il tipo misto NMC/LCO (HNEI, classe 2), NMC (MICH_Expa, classe 3) e LFP (SNL, classe 6) (condividendo il colore con la Figura [cite:3a]) sono chiaramente separabili nello spazio delle funzionalità delimitato. Per le restanti classi, le batterie sono ancora separabili (vedi vista ingrandita), sebbene in grani relativamente minori. Al contrario, le funzionalità non salienti hanno una capacità di smistamento relativamente più debole a causa dello spazio delle funzionalità delimitato non separabile (Figura Supplementare). Di conseguenza, il nostro framework di machine learning federato ha scoperto con successo intuizioni meccaniche utili per garantire l'accuratezza dello smistamento. Tale intuizione potrebbe essere ulteriormente estesa per semplificare il modello per un calcolo leggero, quindi meno investimenti. Una volta che i modelli client classificano le batterie, il riciclatore può aggregare i risultati dei client per prendere una decisione finale sui tipi di materiale catodico della batteria sostenuti dalle funzionalità salienti. Smistamento delle batterie dismesse con accesso eterogeneo ai dati Consideriamo anche una situazione estrema, sebbene più reale, in cui i dati possono essere sparsi esclusivamente tra i client, cioè la distribuzione dei dati è eterogenea. In questa situazione, il problema dell'eterogeneità pone più sfide allo smistamento dei tipi di batteria poiché i client sono inclini ad addestrare modelli distorti e a deteriorare l'accuratezza globale, che è ancora una questione aperta nel machine learning federato. In questa sezione, esploriamo una situazione più impegnativa rispetto all'avere un accesso omogeneo ai dati tra ciascun client (Nota Supplementare). Dimostriamo che il nostro framework di machine learning federato può ancora classificare le batterie dismesse sulla base del processo standard di ingegneria delle funzionalità nel ciclo corrente (test sul campo) senza alcuna conoscenza delle condizioni operative precedenti. La Figura mostra i risultati dello smistamento quando i client hanno un accesso eterogeneo ai dati. Consideriamo l'indice di eterogeneità, definito come il numero minimo di classi di batterie per ciascun client in ogni esecuzione di simulazione Monte Carlo. Un indice di eterogeneità più elevato indica una distribuzione dei dati delle batterie meno eterogenea. L'indice di eterogeneità non è inferiore a due, in modo che un client possa addestrare un modello locale per un compito di smistamento. La Figura [cite:4a] mostra l'accuratezza media dello smistamento quando l'indice di eterogeneità varia. Le accuratezze medie sono rappresentate con linee continue, con l'intervallo di deviazione standard indicato nella regione ombreggiata. Man mano che l'indice di eterogeneità diminuisce da 9 a 2, le prestazioni dell'MV e dell'IL si deteriorano rapidamente a un tasso sublineare. L'accuratezza media di smistamento dell'MV è 0,55, leggermente migliore dell'IL, equivalente a un'ipotesi casuale quando l'indice di eterogeneità è due. Questa osservazione mostra che l'MV può aiutare poco ad aggregare i modelli locali in condizioni di accesso eterogeneo ai dati. Al contrario, il WDV supera il suo omologo MV a tutti i livelli di eterogeneità, mitigando con successo il problema della distribuzione eterogenea dei dati. Inoltre, il WDV mostra un interessante effetto asintotico quando l'indice di eterogeneità aumenta. Ciò indica che il WDV può potenzialmente supportare l'allocazione/distribuzione ottimale dei dati delle batterie dei client per ridurre i costi di collaborazione in situazioni pratiche di riciclo delle batterie. Accuratezza dello smistamento in funzione dell'indice di eterogeneità. I risultati sono mediati su 50 esecuzioni Monte Carlo, con un intervallo di deviazione standard indicato dalla regione ombreggiata. La distribuzione dei dati quando si valuta la migliore prestazione del voto di maggioranza (MV). Accuratezza dello smistamento per classe (parte superiore) e per client (parte inferiore) corrispondente ai nostri metodi di machine learning federato e indipendente (IL). Il diagramma Sankey (al centro) presenta la distribuzione eterogenea dei dati tra i client. I dati sorgente sono forniti come file Source Data. a b c Selezioniamo il miglior modello utilizzando l'MV quando l'indice di eterogeneità è uguale a due e lo confrontiamo con il risultato dello smistamento del nostro WDV proposto nelle stesse condizioni. Il miglior modello selezionato ha un'accuratezza media di smistamento del 71%, come mostrato nella Figura [cite:4a]. La distribuzione dettagliata dei dati delle batterie per il miglior modello che utilizza l'MV è illustrata nella Figura [cite:4b], che è eterogenea (Tabella Supplementare). Ad esempio, il client 2 contribuisce a tutte le classi di batterie tranne NMC (MICH-Expa, classe 3), mentre il client 5 contribuisce solo a tipi misti NMC/LCO (HNEI, classe 2) e NMC (SNL, classe 8). Nelle condizioni di distribuzione eterogenea dei dati nella Tabella Supplementare, confrontiamo ulteriormente le prestazioni di smistamento per classe e per client dell'MV e del WDV rispetto all'IL non federato con due considerazioni: (1) il significato del nostro framework di machine learning federato e (2) perché il nostro WDV proposto supera l'MV. Innanzitutto, valutiamo l'accuratezza dello smistamento per client, mostrata sul lato inferiore della Figura [cite:4c]. Il client 5 raggiunge un'accuratezza media di smistamento del 25%, classificandosi ultimo tra tutti i client. Nel frattempo, il client 2 raggiunge un'accuratezza media di smistamento dell'86%, classificandosi primo tra tutti i client. Tuttavia, l'accuratezza media di smistamento è solo del 55%, vicina a un'ipotesi casuale. Pertanto, le prestazioni del client che utilizzano l'IL non federato dipendono fortemente dall'accesso ai dati (Figura Supplementare). Infatti, senza il nostro framework di machine learning feder