AI Iyo Chitete cha Zvakaoma kuPrivacy Ichi Chinoita Mari Yakawanda Kubva Pamadziro EmaBhatiri

Authors: 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 Abstract Akompara nga baterya nga adunay lain-laing mga materyales sa cathode ang makapugong sa paggamit sa direktang pag-recycle tungod sa ilang kinaiya nga piho sa cathode. Ang pagdagsang sa mga retired nga baterya nagkinahanglan ug tukma nga pag-sort para sa epektibo nga direktang pag-recycle, apan ang mga hagit motungha gikan sa nagkalain-laing mga operasyon, lain-laing mga tiggama, ug mga kabalaka sa pagkapribado sa datos sa mga kauban sa pag-recycle (tag-iya sa datos). Dinhi atong gipakita, gikan sa usa ka talagsaon nga dataset sa 130 ka lithium-ion nga baterya nga naglangkob sa 5 ka cathode nga materyales ug 7 ka tiggama, ang federated machine learning approach makaklasipikar niining mga retired nga baterya nga walay pagsalig sa nangaging datos sa operasyon, pagpanalipod sa pagkapribado sa datos sa mga kauban sa pag-recycle. Pinaagi sa paggamit sa mga feature nga gikuha gikan sa kataposang siklo sa pag-charge-discharge sa kinabuhi, ang among modelo nagpakita ug 1% ug 3% nga mga sayop sa pag-sort sa cathode ubos sa homogenous ug heterogeneous nga mga kahimtang sa pag-recycle sa baterya matag usa, nga gipahinungod sa among bag-ong Wasserstein-distance voting strategy. Sa ekonomikanhon, ang gisugyot nga pamaagi nagpasiugda sa bili sa tukma nga pag-sort sa baterya alang sa usa ka mauswagong ug malungtarong industriya sa pag-recycle. Kining pagtuon nagpahibalo sa usa ka bag-ong paradigma sa paggamit sa pagkapribado-sensitibo nga datos gikan sa lain-laing mga tinubdan, pagpadali sa kolaborasyon ug pagtahud sa pagkapribado sa paghimog desisyon alang sa mga distributed system. Introduction Ang mga baterya sa Lithium-ion (LIBs), nga nagsilbing mga lalagyan sa pagtipig og enerhiya, nahimong kaylap nga gigamit sa lain-laing mga domain, gikan sa produksiyon sa industriya hangtod sa adlaw-adlaw nga kinabuhi isip usa ka giila nga teknikal nga ruta. Ang mga projection nagsugyot nga ang global nga sukod sa produksyon sa mga LIBs molapas sa 1.3 TWh sa 2030 sa dihang ang nagkadako nga panginahanglan alang sa mga baterya molabaw sa pagkaanaa sa mga importanteng metal nga kahinguhaan sama sa lithium ug cobalt. Bisan pa, ang kasamtang kasagaran nga lifespan sa mga produkto sa LIBs nagbarug sa 5-8 ka tuig, nga nagdala sa usa ka hapit na nga pagdagsang sa mga retired nga baterya sa daghang mga nasud. Kung dili maayo ang pagdumala, ang mga retired nga baterya moresulta sa dili malungtarong pagkaguba sa kahinguhaan ug kadaot sa kalikopan. Tungod niini nga mga kahimtang, ang pagpalambo sa teknolohiya sa pag-recycle sa baterya nagpabilin nga hinungdanon samtang nag-atubang kita sa hapit na nga baha sa mga pagretiro sa LIB. Ang bag-o nga mga pag-uswag sa panukiduki sa pag-recycle sa baterya nagtutok sa pyrometallurgical, hydrometallurgical, ug direct recycling approaches. Sa kaatbang sa pyrometallurgical ug hydrometallurgical nga mga pamaagi, ang direktang pag-recycle lahi isip usa ka lahi nga pamaagi. Kining proseso dili makadaot sa estruktura sa materyal, nga nagtugot sa mas episyente nga pag-ayo sa estruktura ug pagpasig-uli sa performance. Dugang pa, ang direktang pag-recycle nagpakita og mas taas nga ganansya, tungod kay kini naglakip sa mas ubos nga konsumo sa enerhiya, pagkunhod sa greenhouse gas emissions, ug mas gaan nga environmental footprints. Sa aktuwal nga produksyon, bisan pa, ang mga recycler sa baterya kanunay nga makasugat ug mga LIB nga naglangkob sa wala mahibal-an nga mga sangkap o mga module sa baterya nga naglangkob sa usa ka sagol sa lain-laing mga matang sa cathode material. Sa pagkonsiderar nga ang direktang pag-recycle mahimong labi ka piho sa cathode, kini nga komplikasyon naghimo sa aplikasyon sa direktang pag-recycle nga dili mahimo aron makab-ot ang pagkakabig sa kantidad sa mga retired nga baterya. Importante nga ipasiugda nga bisan kung ang mga importanteng metal gikan sa nagkasagol nga mga matang sa cathode material mahimong makuha gamit ang conventional recycling strategies, ang interaksyon tali sa lain-laing mga cathode material sa panahon sa proseso sa pag-recycle mahimong makadaot sa kalidad sa produkto. Busa, ang pagsabot sa impormasyon sa matang sa cathode material sa kilid sa pag-recycle makita pag-ayo ang pagpili sa direktang ruta sa pag-recycle ug sa katapusan makapauswag sa kalidad sa produkto, ganansya, ug pagkamalahutayon. Ang human-assisted direct recycling gisugyot aron mailhan ang impormasyon sa matang sa cathode material sa retired nga baterya sa link sa pre-treatment, nga dili pa gihapon mapuslanon sa pinansyal kung ang industriya sa pag-recycle nagkadako. Aron epektibo nga makuha ang impormasyon sa retired battery cathode type, ang siyentipiko ug industriyal nga komunidad bag-o lang nagsugod ug battery lifetime tracing system ug nag-usbaw nga mga konsepto sama sa battery passport ug battery data genome. Bisan tuod daghang mga baterya ang nagamit sa wala pa kini nga mga inisyatibo, adunay nagkadako nga konsensus nga ang impormasyon sa baterya kinahanglan nga ma-access sa tibuok kinabuhi aron mapadali ang paghimog desisyon sa ikaduhang kinabuhi. Kini ilabi na ang kaso alang sa sektor sa pag-recycle sa baterya, ang katapusang estasyon sa ikaduhang kinabuhi sa baterya, tungod kay ang ruta sa pag-recycle mahimong labi ka piho sa cathode. Bisan pa, ang mga sistema sa pagsubay sa kinabuhi sa baterya o mga pasaporte sa baterya gipalihok sa mga electronic gadget sama sa mga bar code ug near-field communications, nga mahimong magpaila sa dagkong mga puhunan ug mahimong kaylap nga dili compatible sa lain-laing mga tigdesinyo sa baterya. Dugang pa, ang mga electronic gadget nagpabilin nga lisud sa makanunayon nga pagdumala sa tibuok nilang kinabuhi, nga nagresulta sa mga gamit nga nadaot ug dili ma-access sa hugna sa pag-recycle tungod kay ang modernong proseso sa paggama sa mga LIB wala pa integrated sa produksiyon-sa-pag-recycle. Busa, mas daghang mga pag-uswag ang dinalian nga gikinahanglan aron makab-ot ang usa ka episyente nga pag-sort sa tipo sa cathode sa baterya gamit lamang ang dali nga ma-access nga impormasyon sa uma, sukwahi sa datos sa kasaysayan nga natala o sa paagi nga gitabangan sa tawo, pagpadali sa paggamit sa direktang pag-recycle aron mapauswag ang kalidad ug ganansya sa mga recycled nga produkto. Sa milabay nga pipila ka tuig, ang machine learning nahimong usa ka mahimo nga himan sa pag-atubang sa mga bukas nga pangutana sa tanan nga natad sa baterya. Sa ubang mga hilisgutan nga may kalabutan sa baterya, ang machine learning bag-o lang nagtugot kanato sa awtomatikong pagkadiskobre sa mga komplikadong mekanismo sa baterya, pagtagna sa nahabilin nga mapuslanon nga kinabuhi, pagtimbang-timbang sa kahimtang sa panglawas, pag-optimize sa cycling profile, pag-aproximate sa distribusyon sa pagkapakyas, bisan sa paggiya sa disenyo sa baterya, ug pagtagna sa lifelong performance dayon pagkahuman sa paggama. Sa kaso sa pag-recycle sa baterya, pipila ka mga buhat ang nagsusi sa machine learning bahin sa mga cathode material, nga nagbasol sa kakulang sa datos sa baterya, labi na alang sa mga gi-cycle hangtod sa katapusang hugna sa kinabuhi. Ang kadaghanan sa mga gipatik nga pagtuon nagpakita og limitado kaayo nga mga gidak-on sa sample ug labi pa nga limitado sa pagkalain-lain sa cathode sa baterya. Ang kakulangan gipahinungod sa dakong gasto, taas nga oras sa pagsulay, ug, labaw sa tanan, ang pagkapribado sa datos tungod sa komersyal o interes nga mga kabalaka. Tungod niini, ang isyu sa pagkapribado nagpabilin ang dilema diin ang kasamtang datos sa baterya, bisan kung daghan sa gidaghanon ug pagkalain-lain gikan sa daghang mga partido sama sa mga tiggama sa baterya, praktikal nga mga aplikasyon, mga institusyon sa akademya, ug mga third-party platform, dili mahimong ipaambit. Kini nga dilema nagtawag sa pagtuon sa pag-sort sa cathode material aron ma-optimize ang pagpili sa ruta sa pag-recycle sa baterya sa usa ka kolaborasyon samtang nagpreserbar sa pagkapribado. Ang Federated machine learning, isip usa ka distributed ug privacy-preserving paradigm, adunay potensyal sa pagsulbad sa parehong multi-party collaboration (parehas, ang gidaghanon ug pagkalain-lain sa datos sa baterya) ug mga isyu sa pagkapribado pinaagi sa collaborative machine learning. Sa matag training iteration, ang mga distributed data owner nagpahigayon ug lokal nga training gamit ang ilang lokal nga computational power, nag-encrypt sa mga na-train nga modelo nga mga parameter/resulta, ug nag-upload niini sa usa ka sentral nga coordinator alang sa aggregation. Ang mga kamatuoran nga ang raw datasets dili gayud mobiya sa ilang tagsa-tagsa ka mga tag-iya sa datos ug nga ang mga gipasa nga mga parameter/resulta hustong gi-encrypt aron mapanalipdan ang pagkapribado sa datos. Ang Federated machine learning kay kaylap nga gisusi sa daghang mga natad sa aplikasyon, lakip ang public health, clinical diagnosis, e-commerce, Internet of Things, mobile computing, ug smart grid. Kini nga pamaagi mahimong magbag-o sa data-driven research paradigm sa lapad nga mga sektor sa enerhiya pinaagi sa pagtugot sa privacy-preserving collaboration, ilabi na alang sa mga adunay limitado nga access sa datos. Bahin sa sektor sa pag-recycle sa baterya, ang federated machine learning nagpakita og maayong mga posibilidad sa paggamit sa dako nga gidaghanon sa datos sa baterya nga naglungtad na apan dili mahimong ipaambit tungod sa mga kabalaka sa pagkapribado. Uban sa ingon nga usa ka kolaborasyon samtang privacy-preserving paradigm, ang pag-sort sa retired nga baterya mahimong ipatuman uban ang taas nga katukma, episyente, scalability, ug generalization, pag-optimize sa kalidad ug ganansya sa mga recycled nga produkto. Sa among nahibal-an, ang mga pagtuon sa federated machine learning nga nagtutok sa pag-recycle sa baterya wala pa nareport. Niini nga pagtuon, among gihimo ang usa ka pag-sort sa cathode material sa mga retired nga baterya, gamit ang kasamtang datos sa baterya gikan sa daghang mga kauban, sama sa mga tiggama sa baterya, mga operator sa praktikal nga aplikasyon, mga institusyon sa panukiduki sa akademya, ug mga third-party platform, sa usa ka kolaborasyon samtang privacy-preserving machine learning fashion sama sa gihulagway sa Fig.. Ang among federated machine learning model gitudlo gamit lamang ang usa ka siklo sa field testing data pinaagi sa usa ka standardized feature extraction process, nga walay bisan unsang una nga kahibalo sa mga nangaging kondisyon sa operasyon. Among itandi ang predictive power sa among federated machine learning model sa mga independenteng gitun-an nga lokal nga mga modelo base sa lokal nga datos ubos sa homogeneous ug heterogeneous nga mga kahimtang sa pag-recycle sa baterya. Ang isyu sa heterogeneity gisulbad sa among gisugyot nga Wasserstein-distance voting strategy. Usa ka economic evaluation sa retired battery recycling gamit ang among gisugyot nga federated machine learning framework ang gihimo, nga nagpasiugda sa kalabotan ug panginahanglan sa tukma nga pag-sort sa mga retired nga baterya. Among gihatag ang interpretability sa modelo, mga implikasyon sa pag-recycle sa baterya, ug mas lapad nga mga pala-ila sa umaabot nga praktis sa pag-recycle sa baterya nga gisagol sa federated machine learning. Daghang tinubdan sa datos, sama sa mga tiggama sa baterya (Image courtesy Addionics), mga operator sa praktikal nga aplikasyon (baterya pack sa ilawom nga tabla sa usa ka Tesla. Image courtesy of Tesla), mga institusyon sa panukiduki sa akademya, ug mga third-party platform, mahimong mga nag-ambag sa datos. Ang datos sa baterya dili gipulihan taliwala sa mga nag-ambag o gi-upload sa battery recycler. Hinunoa, ang mga nag-ambag sa datos nagbansay ug lokal nga mga modelo ug nagpaambit sa mga parameter sa modelo sa battery recycler aron matukod ang usa ka global nga modelo. Ang gisugyot nga Wasserstein-distance voting technique naghiusa sa mga lokal nga modelo sa global nga modelo, nga lig-on sa data imbalance ug kasaba. Ang mga recycler sa baterya mahimong mogamit sa hiniusang gitukod nga modelo alang sa pag-sort sa baterya, inubanan sa dali nga ma-access nga field testing data. Ang among federated machine learning framework nag-awhag sa mga kauban sa pagpaambit sa datos samtang nagpreserbar sa pagkapribado sa datos sama sa tradisyonal nga data islanding paradigm. a b Results Data collection and standardization Ang talagsaon nga kinetics sa baterya sa lain-laing mga matang sa baterya kanunay nga high-dimensional ug lisud nga i-characterize tungod sa nagkalain-laing mga kaso sa operasyon, pagkagaman sa paggama, ug nangaging paggamit. Aron makapangita ug solusyon niini nga dilema, among gikolekta ug gi-standardize ang 130 ka retired nga baterya nga adunay 5 ka cathode material type gikan sa 7 ka tiggama aron matukod ang usa ka out-of-distribution, parehas nga heterogeneous dataset. Tungod sa lain-laing nangaging paggamit, ang mga kapasidad sa nakolekta nga mga baterya ubos sa 90% sa nominal nga kapasidad. Ang mga materyales sa cathode sa baterya mao ang lithium cobalt oxide (LCO), nickel manganese cobalt (NMC), lithium ferrophosphate (LFP), nickel-cobalt-aluminum oxide (NCA), ug NMC-LCO blended types, nga dugang nga gi-grupo sa 9 ka klase base sa mga tiggama (Supplementary Table). Among tinuyo nga naglakip sa mga baterya nga adunay nagkalain-laing nangaging paggamit, gikan sa laboratory testing hangtod sa electric vehicle driving profiles, aron sa pagbansay ug usa ka generalized nga modelo alang sa battery recycler nga independente sa nangaging paggamit ug mga matang sa baterya. Alang sa standardization, ang tanan nga datos nga gikinahanglan gikan sa recycler mao ang karon-gi-probe (field-testing) nga siklo nga adunay usa ka charging ug discharging test, nga dali ipatuman sa praktikal nga mga kaso. Ang na-probe nga datos una nga gihan-ay pinaagi sa pagpuno sa mga nawala nga mga kantidad, pagpuli sa mga outlier, ug pagpahigayon og median filtering. Ang mga kasaba nga gipahinabo sa tawo ug gipahinabo sa cathode-heterogeneity gituyo nga gitago, bisan pa, aron mahimo ang modelo nga lig-on sa dili hingpit nga mga input. Ang datos unya linearly interpolated alang sa curve filling (Supplementary Fig.) ug feature engineered alang sa dimensionality reduction, uban sa usa ka gipaambit nga set sa standardization parameters (Supplementary Note). Ang mga feature nga gikuha gikan sa standardization pipeline dali nga ma-interpret, usa ka kabalaka sa dakong komersyal nga interes. Sa among nahibal-an, kini ang unang higayon nga ang heterogeneous nga datos sa baterya gikan sa daghang mga tinubdan ug nangaging mga paggamit gigamit aron matabangan ang disenyo sa estratehiya sa pag-recycle sa baterya. Ang Fig.a,b nagpakita sa proseso sa feature engineering. Nagtutok kami sa charging ug discharging curve sa mga retired nga baterya sa katapusang siklo, ie, usa ka charging ug usa ka discharging cycle (Supplementary Figs.–). Sa charging cycle, 15 ka feature ang gikuha gikan sa boltahe-kapasidad ug dQ/dV curves, diin ang V ug Q nagtumong sa boltahe ug kapasidad nga mga kantidad, matag usa. Ang parehas nga set sa mga feature gikuha alang sa discharging cycle. Ingon usa ka resulta, 30 ka feature ang gikuha sa kinatibuk-an, sama sa gipakita gikan sa F1 hangtod sa F30. Tan-awa ang Supplementary Table ug Supplementary Note alang sa detalyado nga pagpatin-aw sa mga feature. Ang Fig.c nagpakita sa absolute ug relative feature values sa gipili nga mga baterya gikan sa matag klase. Kadaghanan sa relative feature values sa lain-laing mga klase nag-overlap sa -1 ngadto sa 0 nga rehiyon (nga adunay light green nga kolor) ug dili mailhan, nagpasiugda sa kalisud sa pagklasipikar sa tipo sa baterya gamit ang usa ka siklo sa datos sa baterya. Ang kalisud gilauman tungod kay ang nagkalain-laing nangaging kondisyon sa operasyon makaimpluwensya sa charging-discharging kinetics sa mga baterya aron ang mga extracted features mahimong malakip bisan pa sa lain-laing mga matang sa baterya (Supplementary Fig.). Imbis nga direktang interpretahon ang mga extracted features gamit ang expert knowledge, among gigamit ang usa ka alternatibong data-driven nga pamaagi nga awtomatik nga nagpahimulos sa latent patterns sa lain-laing mga matang sa baterya. Alang sa proseso sa pag-charge, 15 ka feature ang gikuha gikan sa boltahe-kapasidad (wala) ug dQ/dV curve (tuo). Ang parehas nga set sa mga feature para sa proseso sa pag-discharge sama sa F16 hangtod sa F30. Ang mga feature gipakita pinaagi sa mga klase, pagsunod sa format nga CxBn, nga nagpaila sa nth nga baterya gikan sa klase x. Ang gidak-on sa usa ka lingin nagrepresentar sa absolute feature value. Ang source data gihatag isip Source Data file. a b c Retired battery sorting with homogeneous data access Una namon gikonsiderar ang usa ka setting diin ang datos sa baterya parehas nga giapod-apod sa mga kauban (sa ato pa, mga kliyente). Ang homogeneity nagpasabut nga ang matag kliyente nagtanyag sa pagpaambit sa datos sa baterya sa tanan nga 9 ka klase, bisan kung ang piho nga gidaghanon sa mga baterya dili limitado (Supplementary Table). Among gitudlo ang among federated machine learning model nga walay kinahanglanon sa impormasyon sa nangaging paggamit sa mga retired nga baterya. Sa among trabaho, ang recycler ug ang mga kliyente kinahanglan lang mosulay sa mga retired nga baterya sa karon (field-testing) nga siklo, ilabi na, nga adunay usa ka bug-os nga charging-discharging cycle alang sa usa ka standard nga proseso sa feature engineering nga gipasiugdahan sa recycler. Ang mga lokal nga modelo gitudlo base sa mga feature nga gikuha gikan sa ilang pribado nga datos sa baterya. Ang federated machine learning framework naghiusa sa mga lokal nga parameter sa modelo, imbis nga ang pribado nga datos sa baterya, alang sa recycler sa pagklasipikar sa mga retired nga baterya. Ang Fig. nagpakita sa mga resulta sa pag-sort kung ang mga kliyente nag-ambag ug homogeneous nga datos sa baterya. Ang Fig.a nagtandi sa duha ka federated machine learning methods, ie, majority voting (MV) ug ang among gisugyot nga Wasserstein distance voting (WDV), uban sa independent learning (IL) paradigm. Kinahanglan nga matikdan nga ang accuracy alang sa IL gi-average sa tanan nga mga kliyente sa usa ka non-federated nga paagi. Kon itandi sa IL, ang MV dili makompromiso ang sorting performance, nga adunay average accuracy nga 95%, samtang makapanalipod sa pagkapribado sa datos ug makapamenos sa computational burden. Bisan pa, 3 ka klase ang nasaypan sa pag-sort gamit ang MV. Pananglitan, 3 ka baterya sa NMC (SNL, klase 8, 15 sa kinatibuk-an) ang nasaypan sa pag-sort ngadto sa NCA (SNL, klase 7), nga miresulta sa usa ka sorting accuracy nga 80%. Ang sorting accuracy alang sa NCA (UL-PUR, klase 9) kay 81%, nga adunay 2 ka baterya nga nasaypan sa pag-sort ngadto sa NMC (MICH_Form, klase 4) ug 1 ka baterya nga nasaypan sa pag-sort ngadto sa NMC/LCO blended type (HNEI, klase 2), matag usa. Sa kasukwahi, ang WDV milabaw sa MV tungod kay kini nasaypan lamang ug usa ka baterya, nga miresulta sa usa ka sorting accuracy nga 99%. Among gisusi usab ang prediction probability sa matag klase alang sa MV ug WDV, matag usa. Nahimo kini nga ang WDV naghimo ug mas masaligon nga pag-sort kaysa sa MV tungod kay ang mga prediction probabilities sa WDV kasagaran right-skewed ngadto sa mas taas nga probability value. Busa, ang among gisugyot nga WDV nagpatunghag mas taas nga sorting accuracies sa tanan nga mga klase, ug ang pag-sort kay mas adunahan sa probability confidence margins. Ang confusion matrix para sa majority voting (MV) ug Wasserstein distance voting (WDV) methods, matag usa. Gikonsiderar namo ang prediction probability distribution alang sa matag klase. Ang sorting sa independent learning (IL) gipahiluna. Ang sorting accuracy distribution ug privacy budget (PB) sa IL, MV, ug WDV sa presensya sa random noise. Ang PB value gipunting sa 90% accuracy level. Average F1-score sa sorting results ug PBs sa matag klase gamit ang IL, MV, ug WDV. Ang mga PB values tanan gipunting sa 0.9 F1-score level. Ang datos gipresenta isip mean values ±1 standard deviation. Feature importance, sa descending order. Ang subplot nagpakita sa feature space nga gipuy-an sa unang duha ka labing salient features. Ang datos gipresenta isip mean values + 1standard deviation. Source data gihatag isip Source Data file. a b c d Among gisusi usab ang privacy budget (PB, seksyon sa "Methods"), nga nagkonsiderar nga ang datos sa kliyente mahimong bulnerable sa reverse engineering pinaagi sa pag-eavesdrop sa pribado nga datos. Sa niini nga bahin, among gidugang ang random Gaussian noise sa datos sa kliyente nga adunay lain-laing mga intensity. Ang intensity sa randomness kontrolado sa noise-to-signal ratio (NSR), gikan sa 1% hangtod sa 10%. Ang Fig.b nagpakita sa accuracy ug privacy budget comparison sa dihang gigamit ang IL, MV, ug WDV, matag usa. Ang sorting accuracy sa MV mikunhod gikan sa 95% ngadto sa 82%, susama sa IL sa dihang ang noise intensity misaka gikan sa 1% ngadto sa 10%. Sa kini nga noise range, ang median sorting accuracy sa MV ug IL kay 92% ug 86%, matag usa. Sa kasukwahi, ang sorting accuracy sa WDV anaa pa sa ibabaw sa 90% sa presensya sa 10% noise, nga usa ka estrikto nga noise level sa praktikal nga mga kaso. Ang WDV adunay median sorting accuracy nga labaw sa 95% sa samang noise range. Sa pagkuha ug average sorting accuracy nga 90% isip usa ka madawat nga reference level, ang mga PB values sa IL, MV, ug WDV kay 4, 6, ug 10, matag usa. Busa, ang paggamit sa federated machine learning nagpatunghag mas privacy-secure nga sorting kaysa sa IL, busa makapugong sa data eavesdropping. Dugang pa, ang among gisugyot nga WDV mas tukma ug mas maayo ang performance (nga adunay hapit doble nga PB values) sa privacy-accuracy trade-off kaysa sa MV. Dugang pa, ang robustness sa estrikto nga noise sa dihang gigamit ang WDV nagpaila usab sa maayong tolerance sa baterya nga pagsukod nga kinahanglanon, pagkunhod sa mahal nga battery testing disbursement. Sa pag-ila nga ang taas nga sorting accuracy dili kinahanglan magpaila sa usa ka madawat nga sorting alang sa usa ka partikular nga klase, among gikonsiderar usab ang sulod-sa-klase nga sorting performances. Ang Fig.c nagpakita sa F1-score ug privacy budget sa IL, MV, ug WDV sa matag predicted class; timan-i nga ang privacy setting parehas sa Fig.b. Ang resulta nagpakita nga ang IL adunay mas gamay nga F1-scores kaysa sa federated machine learning manner sa tanan nga mga klase, nga naghimo ug dili maayo nga mga pag-sort. Bahin sa federated machine learning, ang WDV milabaw sa MV sa matag predicted class pinaagi sa pagpatunghag mas taas nga average F1 scores. Ang deviation range sa F1 scores alang sa WDV mas gamay kaysa sa MV, nga nagpaila nga ang WDV mas lig-on (Supplementary Fig.). Busa, ang among gisugyot nga WDV dili lamang adunay mas maayo nga kinatibuk-ang sorting accuracy sa tanan nga siyam ka klase (Fig.b) kondili usab sulod sa matag klase, kon itandi sa MV. Bahin sa privacy budget, ang PB value sa dihang gigamit ang non-federated IL, nga gipunting sa 0.9 F1-score level, mas ubos kaysa sa federated manner (Supplementary Table) sa tanan nga mga klase. Kini nagpaila sa mas grabe nga risgo sa data leakage alang sa IL kon itandi sa federated machine learning. Sa dihang dugang nga nagpadapat sa among gisugyot nga WDV, ang pribadong budget mahimong mosaka ug 78% ug 44% kon itandi sa non-federated IL ug sa federated MV, matag usa (Supplementary Table). Ang mga resulta nagpakita nga ang WDV malampusong nagpahimulos sa battery-chemistry-related insights nga gitago sa mga kliyente samtang epektibo nga nagpreserbar sa pagkapribado sa datos sa kliyente. Dayon among gipatin-aw ang among federated machine learning model pinaagi sa pagtimbang-timbang sa labing salient features nga nalambigit sa battery cathode chemistry. Ang Fig.d nagpakita sa importansya sa mga feature sa descending order. Ang error bar nagpaila sa importance deviation. Ang Features F1 ug F16 nagranggo sa top two features bahin sa out-of-bag importance (seksyon sa "Methods"). Makaiikag, kini nga duha ka feature adunay klaro nga pisikal nga interpretasyon sa dynamics sa baterya, nga among dugang nga hisgutan sa ulahi nga mga seksyon. Dinhi, among gipatin-aw kining duha ka feature pinaagi sa pagplano sa mga grupo nga sample sa baterya sa feature space nga gipuy-an sa features F1 ug F16. Ang subplot sa Fig.d nagpakita nga ang NMC/LCO blended type (HNEI, klase 2), NMC (MICH_Expa, klase 3), ug LFP (SNL, klase 6) (nag-ambit sa kolor sa Fig.a) klaro nga mahimong mailhan sa gipuy-an nga feature space. Alang sa nahabilin nga mga klase, ang mga baterya mahimo pa nga mailhan (tan-awa ang zoomed-in view), bisan pa sa medyo mas gagmay nga mga lugas. Sa kasukwahi, ang mga non-salient features adunay medyo mas huyang nga sorting ability tungod sa non-separable feature space nga gipuy-an (Supplementary Fig.). Ingon usa ka resulta, ang among federated machine learning framework malampusong nakadiskobre ug mapuslanon nga mga mekanismo nga mga insight aron garantiyahan ang mga sorting accuracies. Ang ingon nga insight mahimong dugang nga mapalapad aron mapasimple ang modelo alang sa gaan nga komputasyon, busa mas gamay nga puhunan. Sa higayon nga ang mga modelo sa kliyente makaklasipikar sa mga baterya, ang recycler mahimong maghiusa sa mga resulta sa kliyente aron makahimo usa ka katapusang desisyon sa mga tipo sa cathode material sa baterya nga gisuportahan sa mga salient features. Retired battery sorting with heterogeneous data access Among gikonsiderar usab ang usa ka extreme, samtang usa ka mas aktuwal nga sitwasyon diin ang datos