AI ដែលមានសុវត្ថិភាពឯកជនភាពនេះអាចប្រែក្លាយសំណល់ថ្មទៅជាប្រាក់ចំណេញដ៏ច្រើន

អ្នកនិពន្ធ៖ 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 សេចក្តីសង្ខេប អាគុយអស់ដែលមានសម្ភារៈកាតូតube ផ្សេងៗគ្នា ធ្វើឲ្យ ការប្រើប្រាស់ការកែច្នៃដោយផ្ទាល់មានការលំបាកដោយសារតែលក្ខណៈเฉพาะរបស់កាតូតube។ ការកើនឡើងនូវអាគុយដែលអស់តម្រូវឲ្យមានការតម្រៀបយ៉ាងត្រឹមត្រូវសម្រាប់ការកែច្នៃដោយផ្ទាល់ប្រកបដោយប្រសិទ្ធភាព ប៉ុន្តែឧបសគ្គកើតឡើងពីប្រវត្តិប្រតិបត្តិការដែលមានលក្ខណៈខុសប្លែកគ្នា អ្នកផលិតច្រើនប្រភេទ និងបញ្ហាឯកជនភាពទិន្នន័យរបស់អ្នកសហការកែច្នៃ (ម្ចាស់ទិន្នន័យ)។ នៅទីនេះ យើងបង្ហាញពីសំណុំទិន្នន័យពិសេសនៃអាគុយលីចូម-អ៊ីយ៉ុងចំនួន ១៣០ គ្រឿង ដែលគ្របដណ្ដប់លើសម្ភារៈកាតូតube ៥ គ្រឿង និងអ្នកផលិត ៧ គ្រឿង វិធីសាស្ត្ររៀនម៉ាស៊ីនសហព័ន្ធអាចចាត់ថ្នាក់អាគុយដែលអស់ទាំងនេះបានដោយមិនពឹងលើទិន្នន័យប្រតិបត្តិការពីមុន ដោយការពារឯកជនភាពទិន្នន័យរបស់អ្នកសហការកែច្នៃ។ ដោយប្រើលក្ខណៈដែលទាញចេញពីវដ្តសាកថ្មចុងជីវិត ម៉ូដែលរបស់យើងបង្ហាញពីកំហុសតម្រៀបកាតូតube ១% និង ៣% ក្រោមបរិស្ថានកែច្នៃអាគុយដែលមានលក្ខណៈដូចគ្នា និងខុសប្លែកគ្នារៀងៗខ្លួន ដោយសារយុទ្ធសាស្ត្របោះឆ្នោតចម្ងាយ Wasserstein ដ៏ច្នៃប្រឌិតរបស់យើង។ ក្នុងន័យសេដ្ឋកិច្ច វិធីសាស្ត្រដែលបានស្នើឡើងបញ្ជាក់ពីតម្លៃនៃការតម្រៀបអាគុយយ៉ាងត្រឹមត្រូវសម្រាប់ឧស្សាហកម្មកែច្នៃដែលរីកចម្រើន និងចីរភាព។ ការសិក្សានេះបានបើកផ្លូវថ្មីនៃការប្រើទិន្នន័យដែលមានភាពឯកជនពីប្រភពផ្សេងៗគ្នា ដើម្បីសម្រួលដល់ការសម្រេចចិត្តដោយសហការ និងគោរពភាពឯកជនសម្រាប់ប្រព័ន្ធចែកចាយ។ សេចក្តីផ្តើម អាគុយលីចូម-អ៊ីយ៉ុង (LIBs) ដែលបម្រើជាឧបករណ៍ផ្ទុកថាមពលបានទទួលការប្រើប្រាស់យ៉ាងទូលំទូលាយក្នុងវិស័យផ្សេងៗ ចាប់ពីការផលិតឧស្សាហកម្មរហូតដល់ជីវិតប្រចាំថ្ងៃជាផ្លូវបច្ចេកទេសដែលទទួលយកបាន។ ការព្យាករណ៍បានបង្ហាញថាទំហំផលិតកម្មសកលរបស់ LIBs នឹងលើសពី ១.៣ TWh នៅឆ្នាំ ២០៣០ នៅពេលដែលតម្រូវការអាគុយដែលកើនឡើងនឹងមានច្រើនជាងការផ្គត់ផ្គង់ធនធានលោហៈសំខាន់ៗដូចជាលីចូម និងកូបាន , ។ ទោះយ៉ាងណាអាយុកាលជាមធ្យមបច្ចុប្បន្នរបស់ផលិតផល LIBs គឺ ៥–៨ ឆ្នាំ ដែលនាំឲ្យមានការកើនឡើងនូវអាគុយដែលអស់ក្នុងប្រទេសជាច្រើន។ ប្រសិនបើមិនត្រូវបានគ្រប់គ្រងត្រឹមត្រូវទេ អាគុយដែលអស់នឹងបណ្ដាលឲ្យមានការខ្ជះខ្ជាយធនធានដែលមិនចីរភាព និងការខូចខាតបរិស្ថាន។ ដោយពិចារណាលើកាលៈទេសៈទាំងនេះ ការអភិវឌ្ឍបច្ចេកវិទ្យាកែច្នៃអាគុយមានសារសំខាន់ណាស់នៅពេលយើងប្រឈមនឹងជំនោរអាគុយ LIBs ដែលអស់ជិតមកដល់ ។ 1 2 3 4 ការរីកចម្រើនថ្មីៗក្នុងការស្រាវជ្រាវកែច្នៃអាគុយបានផ្ដោតលើវិធីសាស្ត្រកែច្នៃដោយកំដៅ (pyrometallurgical) កែច្នៃដោយគីមី (hydrometallurgical) និងកែច្នៃដោយផ្ទាល់ (direct recycling) ។ ផ្ទុយទៅនឹងវិធីសាស្ត្រកែច្នៃដោយកំដៅ និងកែច្នៃដោយគីមី ការកែច្នៃដោយផ្ទាល់ជាវិធីសាស្ត្រមួយដែលខុសប្លែកពីគេ។ ដំណើរការនេះមិនបង្កការខូចខាតបន្ទាប់បន្សំដល់រចនាសម្ព័ន្ធសម្ភារៈទេ ដោយអនុញ្ញាតឲ្យមានការជួសជុលរចនាសម្ព័ន្ធប្រកបដោយប្រសិទ្ធភាពខ្ពស់ និងការស្ដារសមត្ថភាព។ លើសពីនេះ ការកែច្នៃដោយផ្ទាល់បង្ហាញពីប្រាក់ចំណេញខ្ពស់ ដោយសារវាពាក់ព័ន្ធនឹងការប្រើប្រាស់ថាមពលទាប ការបញ្ចេញឧស្ម័នផ្ទះកញ្ចក់តិច និងផលប៉ះពាល់បរិស្ថានតិច , ។ ទោះយ៉ាងណាក្នុងការផលិតជាក់ស្ដែង អ្នកកែច្នៃអាគុយតែងជួបប្រទះនឹង LIBs ដែលមានសមាសធាតុមិនស្គាល់ឬកញ្ចប់អាគុយដែលមានល្បាយនៃប្រភេទសម្ភារៈកាតូតube ផ្សេងៗគ្នា។ ដោយពិចារណាថាការកែច្នៃដោយផ្ទាល់អាចពឹងផ្អែកលើប្រភេទកាតូតube យ៉ាងខ្លាំង ការស្មុគស្មាញបែបនេះធ្វើឲ្យការអនុវត្តការកែច្នៃដោយផ្ទាល់មិនអាចទៅរួចឡើយសម្រាប់ការផ្លាស់ប្ដូរតម្លៃនៃអាគុយដែលអស់ ។ វាជារឿងសំខាន់ដែលត្រូវបញ្ជាក់ថាទោះបីជាលោហៈសំខាន់ៗពីប្រភេទកាតូតube លាយគ្នាអាចត្រូវបានទាញចេញដោយប្រើយុទ្ធសាស្ត្រកែច្នៃប្រពៃណីក៏ដោយ អន្តរកម្មរវាងប្រភេទកាតូតube ផ្សេងៗគ្នាក្នុងអំឡុងពេលដំណើរការកែច្នៃអាចប៉ះពាល់អវិជ្ជមានដល់គុណភាពផលិតផល ។ ហេតុដូច្នេះការយល់ដឹងពីប្រភេទសម្ភារៈកាតូតube នៅខាងកែច្នៃមានឥទ្ធិពលយ៉ាងខ្លាំងដល់ការជ្រើសរើសផ្លូវកែច្នៃដោយផ្ទាល់ និងបង្កើនគុណភាពផលិតផលប្រាក់ចំណេញ និងចីរភាពជាទីបំផុត។ 5 6 7 8 9 ការកែច្នៃដោយផ្ទាល់ដោយមានជំនួយពីមនុស្សត្រូវបានស្នើឡើងដើម្បីកំណត់ព័ត៌មានប្រភេទសម្ភារៈកាតូតube អាគុយដែលអស់ក្នុងតំណជាមុន ដែលនៅតែមិនមានតម្លៃសេដ្ឋកិច្ចនៅពេលដែលឧស្សាហកម្មកែច្នៃកំពុងរីកចម្រើន ។ ដើម្បីទាញយកព័ត៌មានប្រភេទកាតូតube អាគុយដែលអស់ប្រកបដោយប្រសិទ្ធភាព សហគមន៍វិទ្យាសាស្ត្រ និងឧស្សាហកម្មបានផ្ដើមប្រព័ន្ធតាមដានអាយុកាលអាគុយថ្មីៗនេះ និងគំនិតដែលកំពុងកើតមានដូចជាលិខិតឆ្លងដែនអាគុយ (battery passport) និងហ្សែនទិន្នន័យអាគុយ (battery data genome) ។ ទោះបីជាអាគុយច្រើនត្រូវបានប្រើពីមុនគំនិតផ្តួចផ្តើមទាំងនេះក៏ដោយ ក៏មានការឯកភាពកាន់តែខ្លាំងឡើងថាព័ត៌មានអាគុយគួរតែអាចចូលបានពេញមួយខ្សែជីវិតដើម្បីសម្រួលដល់ការសម្រេចចិត្តជីវិតទីពីរ ។ នេះជាករណីពិសេសសម្រាប់វិស័យកែច្នៃអាគុយ ដែលជាស្ថានីយចុងក្រោយនៃជីវិតទីពីររបស់អាគុយ ដោយសារផ្លូវកែច្នៃអាចពឹងផ្អែកលើប្រភេទកាតូតube យ៉ាងខ្លាំង។ ទោះយ៉ាងណាប្រព័ន្ធតាមដានអាយុកាលអាគុយ ឬលិខិតឆ្លងដែនអាគុយត្រូវបានបើកដំណើរការដោយឧបករណ៍អេឡិចត្រូនិកដូចជាបាកូដ និងការទាក់ទងជិតស្និទ្ធ ដែលអាចណែនាំការវិនិយោគយ៉ាងខ្លាំង និងអាចមិនស៊ីគ្នាទូលំទូលាយជាមួយនឹងអ្នករចនាអាគុយផ្សេងៗ។ លើសពីនេះ ឧបករណ៍អេឡិចត្រូនិកនៅតែមានការលំបាកក្នុងការគ្រប់គ្រងជាបន្តបន្ទាប់ពេញមួយអាយុកាលរបស់ពួកវា ដែលនាំឲ្យមានឧបករណ៍ពាក់និងរហែក និងមិនអាចចូលបាននៅដំណាក់កាលកែច្នៃដោយសារដំណើរការផលិតកម្មទំនើបរបស់ LIBs មិនទាន់ត្រូវបានរួមបញ្ចូលការផលិតទៅការកែច្នៃនៅឡើយ ។ ហេតុដូច្នេះការរីកចម្រើនកាន់តែច្រើនត្រូវបានទាមទារជាបន្ទាន់ដើម្បីសម្រេចបានការតម្រៀបប្រភេទកាតូតube អាគុយប្រកបដោយប្រសិទ្ធភាពដោយប្រើតែព័ត៌មានវាលដែលងាយចូលបាន , ផ្ទុយពីទិន្នន័យប្រវត្តិសាស្ត្រដែលបានកត់ត្រាឬដោយដៃដោយមនុស្ស ដើម្បីសម្រួលដល់ការអនុម័តការកែច្នៃដោយផ្ទាល់ដើម្បីបង្កើនគុណភាព និងប្រាក់ចំណេញនៃផលិតផលកែច្នៃ។ 1 10 11 12 13 14 15 16 ក្នុងប៉ុន្មានឆ្នាំចុងក្រោយនេះ រៀនម៉ាស៊ីនបានលេចឡើងជាឧបករណ៍ដ៏មានប្រយោជន៍ដើម្បីដោះស្រាយសំណួរបើកចំហក្នុងគ្រប់វិស័យអាគុយ។ ក្នុងប្រធានបទដែលទាក់ទងនឹងអាគុយផ្សេងៗទៀត រៀនម៉ាស៊ីនបានអនុញ្ញាតឲ្យយើងរកឃើញដោយស្វ័យប្រវត្តិនូវយន្តការអាគុយដ៏ស្មុគស្មាញ , , ទស្សន៍ទាយអាយុកាលប្រើប្រាស់ដែលនៅសេសសល់ , , , , វាយតម្លៃស្ថានភាពសុខភាព (state of health) , , កែតម្រូវទម្រង់វដ្តសាកថ្ម , ប្រាប់ពីការចែកចាយការបរាជ័យ សូម្បីតែណែនាំការរចនាអាគុយ , និងទស្សន៍ទាយសមត្ថភាពពេញមួយជីវិតភ្លាមៗក្រោយពេលផលិត ។ ក្នុងករណីកែច្នៃអាគុយ ការងារតិចតួចប៉ុណ្ណោះដែលបានសិក្សារៀនម៉ាស៊ីនទាក់ទងនឹងសម្ភារៈកាតូតube , ដែលបន្ទោសលើទិន្នន័យអាគុយកម្រជាពិសេសសម្រាប់ទិន្នន័យដែលត្រូវបានវដ្តដល់ដំណាក់កាលចុងជីវិត។ ការសិក្សាដែលបានបោះពុម្ពភាគច្រើនបង្ហាញពីទំហំគំរូមានកំណត់ ហើយថែមទាំងមានភាពចម្រុះនៃកាតូតube អាគុយមានកំណត់ទៀត ។ កម្រនេះត្រូវបានកំណត់ដោយសារតែការចំណាយយ៉ាងខ្លាំង ពេលវេលធ្វើតេស្តយូរ និងសំខាន់បំផុតគឺឯកជនភាពទិន្នន័យដោយសារបញ្ហាពាណិជ្ជកម្ម ឬផលប្រយោជន៍។ ជាលទ្ធផល បញ្ហាឯកជនភាពធ្វើឲ្យជាន់គ្នាកាន់តែខ្លាំងឡើងដែលទិន្នន័យអាគុយដែលមានស្រាប់ ទោះបីមានបរិមាណនិងភាពចម្រុះពីភាគីជាច្រើនដូចជាអ្នកផលិតអាគុយ ការអនុវត្តជាក់ស្ដែង វិទ្យាស្ថានស្រាវជ្រាវសិក្សា និងវេទិកាភាគីទីបីក៏ដោយ ក៏មិនអាចចែករំលែកបានដែរ។ ជាន់គ្នាបែបនេះទាមទារឲ្យមានការសិក្សាការតម្រៀបសម្ភារៈកាតូតube អាគុយដើម្បីកែតម្រូវជម្រើសផ្លូវកែច្នៃអាគុយតាមរបៀបដែលសហការគ្នានិងរក្សាឯកជនភាព។ 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 រៀនម៉ាស៊ីនសហព័ន្ធ (Federated machine learning) ដែលជាគំរូចែកចាយនិងរក្សាឯកជនភាពមានសក្ដានុពលក្នុងការដោះស្រាយទាំងការសហការច្រើនភាគី (ស្មើនឹងបរិមាណនិងភាពចម្រុះទិន្នន័យអាគុយ) និងបញ្ហាឯកជនភាពតាមរយៈការរៀនម៉ាស៊ីនប្រកបដោយសហការ , , ។ ក្នុងវដ្តបណ្ដុះបណ្ដាលនីមួយៗ ម្ចាស់ទិន្នន័យចែកចាយអនុវត្តការបណ្ដុះបណ្ដាលក្នុងតំបន់ដោយមានថាមពលគណនាក្នុងតំបន់របស់ពួកគេ អ៊ិនគ្រីបប៉ារ៉ាម៉ែត្រ/លទ្ធផលម៉ូដែលដែលបានបណ្ដុះបណ្ដាលហើយផ្ញើវាទៅអ្នកសម្របសម្រួលកណ្ដាលដើម្បីបញ្ចូលគ្នា។ ការពិតដែលសំណុំទិន្នន័យឆៅមិនដែលចាកចេញពីម្ចាស់ទិន្នន័យរបស់ខ្លួនឡើយ ហើយប៉ារ៉ាម៉ែត្រ/លទ្ធផលដែលបានផ្ទេរត្រូវបានអ៊ិនគ្រីបត្រឹមត្រូវដើម្បីការពារឯកជនភាពទិន្នន័យ។ រៀនម៉ាស៊ីនសហព័ន្ធត្រូវបានសិក្សាយ៉ាងទូលំទូលាយក្នុងវិស័យអនុវត្តជាច្រើន រួមទាំងសុខភាពសាធារណៈ , ការធ្វើរោគវិនិច្ឆ័យគ្លីនិក , , អេឡិចត្រូនិចពាណិជ្ជកម្ម អ៊ីនធឺណិតនៃវត្ថុ (Internet of Things) ការគណនាចល័ត (mobile computing) និងក្រឡាចត្រង្គឆ្លាត (smart grid) , , ។ វិធីសាស្ត្រនេះអាចផ្លាស់ប្ដូរគំរូស្រាវជ្រាវដែលជំរុញដោយទិន្នន័យក្នុងវិស័យថាមពលទូលំទូលាយដោយអនុញ្ញាតឲ្យមានការសហការរក្សាឯកជនភាព ជាពិសេសសម្រាប់អ្នកដែលមានការចូលទិន្នន័យមានកំណត់។ ចំពោះវិស័យកែច្នៃអាគុយ រៀនម៉ាស៊ីនសហព័ន្ធសន្មតនូវលទ្ធភាពដ៏មានសក្ដានុពលក្នុងការប្រើប្រាស់ទិន្នន័យអាគុយដ៏ច្រើនដែលមានស្រាប់ប៉ុន្តែមិនអាចចែករំលែកបានដោយសារបញ្ហាឯកជនភាព។ ជាមួយនឹងគំរូដែលសហការគ្នានិងរក្សាឯកជនភាពបែបនេះ ការតម្រៀបអាគុយដែលអស់អាចត្រូវបានអនុវត្តដោយមានភាពត្រឹមត្រូវខ្ពស់ ប្រសិទ្ធភាព មាត្រដ្ឋាន និងភាពទូទៅ ធ្វើឲ្យប្រសើរឡើងនូវគុណភាព និងប្រាក់ចំណេញនៃផលិតផលកែច្នៃ។ តាមចំណេះដឹងរបស់យើង ការសិក្សារៀនម៉ាស៊ីនសហព័ន្ធដែលផ្ដោតលើការកែច្នៃអាគុយមិនត្រូវបានរាយការណ៍ពីមុនឡើយ។ 38 39 40 41 42 43 44 45 46 47 48 49 50 51 ក្នុងការសិក្សានេះ យើងអនុវត្តការតម្រៀបសម្ភារៈកាតូតube អាគុយដែលអស់ ដោយប្រើប្រាស់ទិន្នន័យអាគុយដែលមានស្រាប់ពីអ្នកសហការច្រើននាក់ ដូចជាអ្នកផលិតអាគុយ អ្នកប្រតិបត្តិការអនុវត្តជាក់ស្ដែង វិទ្យាស្ថានស្រាវជ្រាវសិក្សា និងវេទិកាភាគីទីបី ក្នុងរបៀបរៀនម៉ាស៊ីនដែលសហការគ្នានិងរក្សាឯកជនភាពដូចបានបង្ហាញក្នុងរូបភាព ។ ម៉ូដែលរៀនម៉ាស៊ីនសហព័ន្ធរបស់យើងត្រូវបានបណ្ដុះបណ្ដាលដោយប្រើតែមួយវដ្តនៃទិន្នន័យធ្វើតេស្តវាលតាមរយៈដំណើរការវិភាគលក្ខណៈដែលមានស្តង់ដារ ដោយគ្មានចំណេះដឹងជាមុនអំពីលក្ខខណ្ឌប្រតិបត្តិការពីមុនទេ។ យើងប្រៀបធៀបថាមពលព្យាករណ៍របស់ម៉ូដែលរៀនម៉ាស៊ីនសហព័ន្ធរបស់យើងជាមួយនឹងម៉ូដែលក្នុងតំបន់ដែលរៀនដោយឯករាជ្យដោយផ្អែកលើទិន្នន័យក្នុងតំបន់ក្រោមទាំងបរិស្ថានកែច្នៃអាគុយដែលមានលក្ខណៈដូចគ្នា និងខុសប្លែកគ្នា។ បញ្ហាភាពខុសប្លែកគ្នាត្រូវបានដោះស្រាយដោយយុទ្ធសាស្ត្របោះឆ្នោតចម្ងាយ Wasserstein ដែលបានស្នើឡើងរបស់យើង។ ការវាយតម្លៃសេដ្ឋកិច្ចនៃការកែច្នៃអាគុយដែលអស់ដោយប្រើស៊ុមរៀនម៉ាស៊ីនសហព័ន្ធដែលបានស្នើឡើងរបស់យើងត្រូវបានធ្វើឡើង បញ្ជាក់ពីភាពពាក់ព័ន្ធ និងតម្រូវការនៃការតម្រៀបអាគុយដែលអស់យ៉ាងត្រឹមត្រូវ។ យើងពិភាក្សាយ៉ាងទូលំទូលាយអំពីការបកស្រាយម៉ូដែល បែបបទនៃការកែច្នៃអាគុយ និងទស្សនវិស័យកាន់តែទូលំទូលាយនៃការអនុវត្តកែច្នៃអាគុយនាពេលអនាគតដែលរួមបញ្ចូលជាមួយនឹងរៀនម៉ាស៊ីនសហព័ន្ធ។ 1 ប្រភពទិន្នន័យច្រើនដូចជាអ្នកផលិតអាគុយ (រូបភាពដោយAddionics) អ្នកប្រតិបត្តិការអនុវត្តជាក់ស្ដែង (កញ្ចប់អាគុយក្នុងបន្ទះជាន់របស់ Tesla ។ រូបភាពដោយTesla) វិទ្យាស្ថានស្រាវជ្រាវសិក្សា និងវេទិកាភាគីទីបីអាចជាអ្នករួមចំណែកទិន្នន័យ។ ទិន្នន័យអាគុយមិនត្រូវបានផ្លាស់ប្ដូររវាងអ្នករួមចំណែកទេ ហើយក៏មិនត្រូវបានផ្ញើទៅអ្នកកែច្នៃអាគុយដែរ។ ផ្ទុយទៅវិញ អ្នករួមចំណែកទិន្នន័យបណ្ដុះបណ្ដាលម៉ូដែលក្នុងតំបន់និងចែករំលែកប៉ារ៉ាម៉ែត្រម៉ូដែលជាមួយអ្នកកែច្នៃអាគុយដើម្បីបង្កើតម៉ូដែលសកល។ បច្ចេកទេសបោះឆ្នោតចម្ងាយ Wasserstein ដែលបានស្នើឡើងរបស់យើងបញ្ចូលម៉ូដែលក្នុងតំបន់ទៅក្នុងម៉ូដែលសកល ដែលមានភាពធន់នឹងការមិនមានតុល្យភាពទិន្នន័យ និង a