Bisa Ngingubah Sampah Batré Jadi Kauntungan Gedé AI Anu Aman Privasi Ieu

Mga May-akda: 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 Abstrakto Ang mga hindi naka-uri na bateryang pinaglipasan na may iba't ibang materyales ng cathode ay humahadlang sa paggamit ng direktang pag-recycle dahil sa kanilang pagiging tiyak sa cathode. Ang pagdami ng mga bateryang pinaglipasan ay nangangailangan ng tumpak na pag-uuri para sa epektibong direktang pag-recycle, ngunit ang mga hamon ay nagmumula sa iba't ibang kasaysayan ng operasyon, iba't ibang mga tagagawa, at mga alalahanin sa privacy ng data ng mga kasosyo sa pag-recycle (may-ari ng data). Dito ipinapakita namin, mula sa isang natatanging dataset ng 130 lithium-ion na baterya na sumasaklaw sa 5 materyales ng cathode at 7 tagagawa, ang isang federated machine learning approach ay maaaring mag-uri ng mga pinaglipasan na bateryang ito nang hindi umaasa sa nakaraang data ng operasyon, na pinangangalagaan ang privacy ng data ng mga kasosyo sa pag-recycle. Sa pamamagitan ng paggamit ng mga tampok na nakuha mula sa end-of-life charge-discharge cycle, ang aming modelo ay nagpapakita ng 1% at 3% na mga error sa pag-uuri ng cathode sa ilalim ng homogeneous at heterogeneous na mga setting ng pag-recycle ng baterya ayon sa pagkakabanggit, na naiuugnay sa aming makabagong Wasserstein-distance voting strategy. Sa ekonomiya, ang iminungkahing pamamaraan ay nagbibigay-diin sa halaga ng tumpak na pag-uuri ng baterya para sa isang masagana at napapanatiling industriya ng pag-recycle. Ang pag-aaral na ito ay naghahayag ng isang bagong paradigma ng paggamit ng data na sensitibo sa privacy mula sa iba't ibang mapagkukunan, na nagpapadali sa collaborative at privacy-respecting na paggawa ng desisyon para sa mga distributed system. Panimula Ang mga lithium-ion na baterya (LIBs), na nagsisilbing mga aparato ng imbakan ng enerhiya, ay naging malawak na ginagamit sa iba't ibang mga domain, mula sa produksyon ng industriya hanggang sa pang-araw-araw na buhay bilang isang tinatanggap na teknikal na ruta. Ang mga proyeksyong nagmumungkahi na ang pandaigdigang sukat ng produksyon ng LIBs ay lalampas sa 1.3 TWh sa pamamagitan ng 2030 kapag ang lumalaking demand para sa mga baterya ay higit na lalampas sa pagkakaroon ng mahahalagang mapagkukunan ng metal tulad ng lithium at cobalt. Gayunpaman, ang kasalukuyang average na lifespan ng mga produkto ng LIB ay 5-8 taon, na humahantong sa isang nalalapit na pagdami ng mga bateryang pinaglipasan sa maraming bansa. Kung hindi naaangkop na mapamahalaan, ang mga bateryang pinaglipasan ay magreresulta sa hindi napapanatiling pag-aaksaya ng mapagkukunan at pinsala sa kapaligiran. Dahil sa mga kalagayang ito, ang pagbuo ng teknolohiya sa pag-recycle ng baterya ay nagiging mahalaga habang kinakaharap natin ang nalalapit na pagdagsa ng mga bateryang pinaglipasan ng LIB. Ang mga kamakailang pag-unlad sa pananaliksik sa pag-recycle ng baterya ay nakatuon sa mga pamamaraang pyrometallurgical, hydrometallurgical, at direct recycling. Sa kaibahan sa mga pamamaraang pyrometallurgical at hydrometallurgical, ang direct recycling ay nakatayo bilang isang natatanging pamamaraan. Ang prosesong ito ay hindi nagdudulot ng pangalawang pinsala sa istraktura ng materyal, na nagbibigay-daan para sa mas mahusay na pag-aayos ng istraktura at pagpapanumbalik ng pagganap. Higit pa rito, ang direct recycling ay nagpapakita ng mas mataas na profitability, dahil ito ay nagsasangkot ng mas mababang pagkonsumo ng enerhiya, nabawasan ang mga greenhouse gas emissions, at mas magaan na mga environmental footprint. Sa aktwal na produksyon, gayunpaman, ang mga recycler ng baterya ay madalas na nakatagpo ng mga LIB na binubuo ng mga hindi kilalang sangkap o mga module ng baterya na binubuo ng halo ng iba't ibang uri ng materyales ng cathode. Isinasaalang-alang na ang direct recycling ay maaaring lubos na tiyak sa cathode, ang ganitong pagiging kumplikado ay ginagawang hindi posible ang aplikasyon ng direct recycling para sa pagkamit ng pag-convert ng halaga ng mga bateryang pinaglipasan. Mahalagang bigyang-diin na kahit na ang mahahalagang metal mula sa pinaghalong uri ng materyales ng cathode ay maaaring makuha gamit ang mga kumbensyonal na estratehiya sa pag-recycle, ang interplay sa pagitan ng iba't ibang materyales ng cathode sa proseso ng pag-recycle ay maaaring makasama sa kalidad ng produkto. Samakatuwid, ang pag-unawa sa impormasyon ng uri ng materyal ng cathode sa panig ng pag-recycle ay makabuluhang nakakaapekto sa pagpili ng ruta ng direct recycling at sa huli ay nagpapabuti sa kalidad ng produkto, profitability, at sustainability. Ang human-assisted direct recycling ay iminungkahi upang matukoy ang impormasyon ng uri ng materyal ng cathode ng bateryang pinaglipasan sa link ng pre-treatment, na hindi pa rin sulit sa pananalapi kapag ang industriya ng pag-recycle ay lumalaki. Upang epektibong makuha ang impormasyon ng uri ng cathode ng bateryang pinaglipasan, ang komunidad ng siyentipiko at pang-industriya ay kamakailan lamang nagpasimula ng isang battery lifetime tracing system at mga umuusbong na konsepto tulad ng battery passport at battery data genome. Bagama't napakaraming baterya ang nagamit bago ang mga inisyatibong ito, may lumalaking pinagkasunduan na ang impormasyon ng baterya ay dapat na ma-access sa buong life chain upang mapadali ang paggawa ng desisyon para sa pangalawang buhay. Ito ay kapansin-pansin para sa sektor ng pag-recycle ng baterya, ang huling istasyon ng pangalawang buhay ng baterya, dahil ang ruta ng pag-recycle ay maaaring lubos na tiyak sa cathode. Gayunpaman, ang mga sistema ng pagsubaybay sa buhay ng baterya o mga pasaporte ng baterya ay pinapagana ng mga electronic gadget tulad ng mga bar code at near-field communication, na maaaring magpakilala ng masinsinang pamumuhunan at maaaring malawak na hindi tugma sa iba't ibang mga taga-disenyo ng baterya. Higit pa rito, ang mga electronic gadget ay nananatiling hamon na pare-parehong pamahalaan sa buong kanilang lifespan, na humahantong sa mga nasirang device at hindi pagiging accessible sa yugto ng pag-recycle dahil ang modernong proseso ng pagmamanupaktura ng LIBs ay hindi pa rin integrated sa produksyon-sa-pag-recycle. Kaya naman, higit pang mga pag-unlad ang kagyat na kinakailangan upang makamit ang isang mahusay na pag-uuri ng uri ng cathode ng baterya gamit lamang ang madaling ma-access na impormasyon sa larangan, taliwas sa mga naitalang historical data o sa paraang tinulungan ng tao, na nagpapadali sa paggamit ng direct recycling upang mapabuti ang kalidad at profitability ng mga recycled na produkto. Sa nakalipas na ilang taon, ang machine learning ay lumitaw bilang isang viable tool upang harapin ang mga bukas na tanong sa lahat ng mga larangan ng baterya. Sa iba pang mga paksa na nauugnay sa baterya, ang machine learning ay kamakailan lamang nagbigay-daan sa amin upang awtomatikong matuklasan ang mga kumplikadong mekanismo ng baterya, mahulaan ang natitirang kapaki-pakinabang na buhay, tasahin ang estado ng kalusugan, i-optimize ang cycling profile, tantiyahin ang distribusyon ng pagkabigo, kahit na gabayan ang disenyo ng baterya, at mahulaan ang life-long na pagganap kaagad pagkatapos ng pagmamanupaktura. Sa kaso ng pag-recycle ng baterya, kakaunting gawa ang nakapag-imbestiga ng machine learning patungkol sa mga materyales ng cathode, na nagpapaliwanag sa kakulangan ng data ng baterya, lalo na para sa mga na-cycle hanggang sa end-of-life stage. Ang napakalaking karamihan ng mga nai-publish na pag-aaral ay nagpapakita ng napakalimitadong bilang ng mga sample at mas limitado pa sa pagkakaiba-iba ng cathode ng baterya. Ang kakulangan ay naiuugnay sa masinsinang gastos, matagal na oras ng pagsubok, at, higit sa lahat, ang privacy ng data dahil sa mga komersyal o interes na alalahanin. Dahil dito, ang isyu sa privacy ay nagpapatigas sa dilema kung saan ang kasalukuyang data ng baterya, bagama't malaki sa dami at pagkakaiba-iba mula sa maraming partido tulad ng mga tagagawa ng baterya, mga praktikal na aplikasyon, mga institusyong pang-akademiko, at mga third-party platform, ay hindi maibabahagi. Ang ganitong dilema ay nananawagan para sa pag-aaral ng pag-uuri ng materyal ng cathode upang ma-optimize ang pagpili ng ruta ng pag-recycle ng baterya sa isang collaborative habang pinapanatili ang privacy. Ang federated machine learning, bilang isang distributed at privacy-preserving paradigm, ay may potensyal na malutas ang parehong multi-party collaboration (katumbas, ang dami at pagkakaiba-iba ng data ng baterya) at mga isyu sa privacy sa pamamagitan ng collaborative machine learning. Sa bawat iteration ng pagsasanay, ang mga distributed data owner ay nagsasagawa ng lokal na pagsasanay gamit ang kanilang lokal na computational power, nag-e-encrypt ng mga na-train na model parameter/resulta, at ina-upload ang mga ito sa isang central coordinator para sa aggregation. Ang mga katotohanan na ang mga raw dataset ay hindi kailanman umaalis sa kani-kanilang mga data owner at ang mga nailipat na parameter/resulta ay maayos na naka-encrypt upang protektahan ang privacy ng data. Ang Federated machine learning ay malawak na napag-aralan sa maraming mga aplikasyon, kabilang ang pampublikong kalusugan, clinical diagnosis, e-commerce, Internet of Things, mobile computing, at smart grid. Ang pamamaraang ito ay maaaring magpabago sa data-driven na paradigm ng pananaliksik sa malawak na mga sektor ng enerhiya sa pamamagitan ng pagpapagana ng privacy-preserving collaboration, lalo na para sa mga may limitadong access sa data. Tungkol sa sektor ng pag-recycle ng baterya, ang federated machine learning ay nagpapalagay ng mga promising na posibilidad para sa paggamit ng dambuhalang dami ng data ng baterya na umiiral na ngunit hindi maibabahagi dahil sa mga alalahanin sa privacy. Sa ganitong collaborative habang privacy-preserving paradigm, ang pag-uuri ng bateryang pinaglipasan ay maaaring ipatupad na may mataas na katumpakan, kahusayan, scalability, at generalization, na nag-o-optimize sa kalidad at profitability ng mga recycled na produkto. Sa aming kaalaman, ang mga pag-aaral sa federated machine learning na nakatuon sa pag-recycle ng baterya ay hindi pa naiuulat. Sa pag-aaral na ito, nagsasagawa kami ng pag-uuri ng materyal ng cathode ng mga bateryang pinaglipasan, na ginagamit ang kasalukuyang data ng baterya mula sa maraming collaborator, tulad ng mga tagagawa ng baterya, mga operator ng praktikal na aplikasyon, mga institusyong pang-akademikong pananaliksik, at mga third-party platform, sa isang collaborative habang privacy-preserving machine learning fashion tulad ng ipinapakita sa Fig.. Ang aming federated machine learning model ay sinanay gamit lamang ang isang cycle ng field testing data sa pamamagitan ng isang standardized na proseso ng feature extraction, nang walang anumang paunang kaalaman sa mga nakaraang kondisyon ng operasyon. Ihinahambing namin ang predictive power ng aming federated machine learning model sa mga independiyenteng natutunang lokal na modelo batay sa lokal na data sa ilalim ng parehong homogeneous at heterogeneous na mga sitwasyon sa pag-recycle ng baterya. Ang isyu ng heterogeneity ay nalulutas ng aming iminungkahing Wasserstein-distance voting strategy. Isang economic evaluation ng pag-recycle ng bateryang pinaglipasan gamit ang aming iminungkahing federated machine learning framework ay isinagawa, na nagbibigay-diin sa kaugnayan at pangangailangan ng tumpak na pag-uuri ng mga bateryang pinaglipasan. Komprehensibong tinatalakay namin ang interpretability ng modelo, mga implikasyon sa pag-recycle ng baterya, at mas malawak na mga prospect ng hinaharap na praktika ng pag-recycle ng baterya na isinama sa federated machine learning. Maraming mapagkukunan ng data, tulad ng mga tagagawa ng baterya (Image courtesy Addionics), mga operator ng praktikal na aplikasyon (battery pack sa floor pan ng isang Tesla. Image courtesy of Tesla), mga institusyong pang-akademikong pananaliksik, at mga third-party platform, ay maaaring maging data contributor. Ang data ng baterya ay hindi ipinagpapalit sa pagitan ng mga contributor o ina-upload sa battery recycler. Sa halip, ang mga data contributor ay nagsasanay ng mga lokal na modelo at nagbabahagi ng mga model parameter sa battery recycler upang bumuo ng isang global model. Ang iminungkahing Wasserstein-distance voting technique ay nagbubuklod ng mga lokal na modelo sa global model, na matatag sa data imbalance at noise. Maaaring gamitin ng mga battery recycler ang pinagsamang modelo para sa pag-uuri ng baterya, kasama ang madaling ma-access na field testing data. Ang aming federated machine learning framework ay naghihikayat sa mga collaborator na magbahagi ng data habang pinapanatili ang privacy ng data kumpara sa tradisyonal na data islanding paradigm. a b Mga Resulta Pagkolekta at Standardisasyon ng Data Ang natatanging kinetics ng baterya sa iba't ibang uri ng baterya ay madalas na high-dimensional at mahirap ilarawan dahil sa magkakaibang mga kaso ng operasyon, pagkakaiba-iba ng pagmamanupaktura, at mga nakaraang paggamit. Upang makahanap ng solusyon sa dilemang ito, kinolekta at isinaayos namin ang 130 bateryang pinaglipasan na may 5 uri ng materyal ng cathode mula sa 7 tagagawa upang bumuo ng isang out-of-distribution, katumbas na heterogeneous na dataset. Dahil sa iba't ibang nakaraang paggamit, ang mga kapasidad ng nakolektang baterya ay mas mababa sa 90% ng nominal capacity. Ang mga materyales ng cathode ng baterya ay lithium cobalt oxide (LCO), nickel manganese cobalt (NMC), lithium ferrophosphate (LFP), nickel-cobalt-aluminum oxide (NCA), at NMC-LCO blended types, na higit pang pinagsasama sa 9 na klase batay sa mga tagagawa (Supplementary Table). Sadyang isinama namin ang mga baterya na may magkakaibang nakaraang paggamit, mula sa laboratory testing hanggang sa electric vehicle driving profiles, upang sanayin ang isang generalized model para sa battery recycler na hiwalay sa mga nakaraang paggamit at uri ng baterya. Para sa standardisasyon, lahat ng data na kinakailangan mula sa recycler ay ang kasalukuyang sinubukan (field-testing) na cycle na may isang charging at discharging test, na madaling ipatupad sa mga praktikal na kaso. Ang mga sinubukan na data ay unang dinaan sa denoising sa pamamagitan ng pagpuno ng mga nawawalang halaga, pagpapalit ng mga outlier, at pagsasagawa ng median filtering. Ang mga ingay na dulot ng tao at dulot ng cathode-heterogeneity ay sadyang napanatili, bagama't, upang gawing matatag ang modelo sa mga hindi perpektong input. Ang data ay pagkatapos ay linearly interpolated para sa curve filling (Supplementary Fig.) at feature engineered para sa dimensionality reduction, na may isang shared set ng standardization parameters (Supplementary Note). Ang mga tampok na nakuha mula sa standardization pipeline ay mahusay na interpretable, isang alalahanin ng makabuluhang komersyal na interes. Sa aming kaalaman, ito ang unang pagkakataon na ang heterogeneous battery data mula sa maraming mapagkukunan at nakaraang paggamit ay ginamit upang tumulong sa disenyo ng estratehiya ng pag-recycle ng baterya. Ang Figurea,b ay nagpapakita ng proseso ng feature engineering. Nakatuon kami sa charging at discharging curve ng mga bateryang pinaglipasan sa huling cycle, i.e., isang charging at isang discharging cycle (Supplementary Figs.–). Sa charging cycle, 15 features ang nakuha mula sa voltage-capacity at dQ/dV curves, kung saan ang V at Q ay tumutukoy sa mga halaga ng boltahe at kapasidad, ayon sa pagkakabanggit. Ang parehong set ng mga tampok ay nakuha para sa discharging cycle. Bilang resulta, 30 features ang nakuha sa kabuuan, tulad ng ipinahihiwatig mula sa F1 hanggang F30. Sumangguni sa Supplementary Table at Supplementary Note para sa isang detalyadong paliwanag ng mga tampok. Ang Figurec ay nagpapakita ng absolute at relative feature values ng mga napiling baterya mula sa bawat klase. Karamihan sa mga relative feature values sa iba't ibang klase ay nag-o-overlap sa -1 hanggang 0 na rehiyon (na may light green color) at hindi mapagkakakilanlan, na naglalarawan ng kahirapan sa pag-uuri ng uri ng baterya gamit ang isang cycle ng data ng baterya. Ang kahirapan ay inaasahan dahil ang magkakaibang mga kondisyon ng nakaraang operasyon ay maaaring makaimpluwensya sa charging-discharging kinetics ng mga baterya upang ang mga nakuha na tampok ay maaaring malaking correlated sa kabila ng iba't ibang uri ng baterya (Supplementary Fig.). Sa halip na direktang bigyang-kahulugan ang mga nakuha na tampok gamit ang expert knowledge, gumamit kami ng alternatibong data-driven approach na awtomatikong gumagamit ng mga latent pattern sa iba't ibang uri ng baterya. Para sa proseso ng charging, 15 features ang nakuha mula sa voltage-capacity (kaliwa) at dQ/dV curve (kanan). Ang parehong set ng mga tampok ay para sa proseso ng discharging bilang F16 hanggang F30. Ang mga tampok ay binibigyang-biswal sa pamamagitan ng mga klase, na sumusunod sa format na CxBn, na nagpapahiwatig ng nth na baterya mula sa klase x. Ang laki ng isang bilog ay sumusukat sa absolute feature value. Ang source data ay ibinigay bilang isang Source Data file. a b c Pag-uuri ng Bateryang Pinaglipasan na may Homogeneous Data Access Una naming isinasaalang-alang ang isang setting kung saan ang data ng baterya ay pantay na ipinamamahagi sa mga collaborator (ibig sabihin, ang mga kliyente). Ang homogeneity ay nangangahulugan na ang bawat kliyente ay nag-aalok na ibahagi ang data ng baterya sa lahat ng 9 na klase, kahit na ang tiyak na bilang ng mga baterya ay hindi limitado (Supplementary Table). Sinanay namin ang aming federated machine learning model nang hindi nangangailangan ng impormasyon sa nakaraang paggamit ng mga bateryang pinaglipasan. Sa aming gawain, ang recycler at ang mga kliyente ay kailangan lamang na subukan ang mga bateryang pinaglipasan sa kasalukuyang (field-testing) cycle, partikular, na may kumpletong charging-discharging cycle para sa isang standard na proseso ng feature engineering na sinimulan ng recycler. Ang mga lokal na modelo ay sinanay batay sa mga tampok na nakuha mula sa kanilang pribadong data ng baterya. Ang federated machine learning framework ay nagsasama-sama ng mga lokal na model parameter, sa halip na ang pribadong data ng baterya, para sa recycler upang ma-uri ang mga bateryang pinaglipasan. Ang Figure ay nagpapakita ng mga resulta ng pag-uuri kapag ang mga kliyente ay nag-aambag ng homogeneous na data ng baterya. Ang Figurea ay naghahambing ng dalawang federated machine learning methods, i.e., ang majority voting (MV) at ang aming iminungkahing Wasserstein distance voting (WDV), kasama ang independent learning (IL) paradigm. Dapat tandaan na ang accuracy para sa IL ay average sa lahat ng kliyente sa isang non-federated na paraan. Kumpara sa IL, ang MV ay hindi nakakasakripisyo ng performance sa pag-uuri, na may average accuracy na 95%, habang may kakayahang protektahan ang privacy ng data at bawasan ang computational burden. Gayunpaman, 3 klase ang na-missort gamit ang MV. Halimbawa, ang 3 baterya sa NMC (SNL, class 8, 15 sa kabuuan) ay na-missort sa NCA (SNL, class 7), na nagreresulta sa sorting accuracy na 80%. Ang sorting accuracy para sa NCA (UL-PUR, class 9) ay 81%, na may 2 bateryang na-missort sa NMC (MICH_Form, class 4) at 1 bateryang na-missort sa NMC/LCO blended type (HNEI, class 2), ayon sa pagkakabanggit. Sa kabaligtaran, ang WDV ay nakahihigit sa MV dahil ito ay nag-missort lamang ng isang baterya, na nagreresulta sa sorting accuracy na 99%. Sinusuri din namin ang prediction probability ng bawat klase para sa MV at WDV, ayon sa pagkakabanggit. Lumalabas na ang WDV ay gumagawa ng mas kumpiyansang pag-uuri kaysa sa MV dahil ang mga prediction probabilities ng WDV ay karaniwang right-skewed sa mas mataas na probability value. Samakatuwid, ang aming iminungkahing WDV ay gumagawa ng mas mataas na sorting accuracies sa lahat ng klase, at ang pag-uuri ay may mas mayaman na probability confidence margins. Ang confusion matrix para sa majority voting (MV) at Wasserstein distance voting (WDV) methods, ayon sa pagkakabanggit. Isinasaalang-alang namin ang prediction probability distribution para sa bawat klase. Ang pag-uuri ng independent learning (IL) ay nakaanotasyon. Distribusyon ng sorting accuracy at privacy budget (PB) ng IL, MV, at WDV sa presensya ng random noise. Ang PB value ay referenced sa 90% accuracy level. Average F1-score ng mga resulta ng pag-uuri at PB sa bawat klase gamit ang IL, MV, at WDV. Ang mga PB value ay lahat referenced sa 0.9 F1-score level. Ang data ay ipinapakita bilang mean values ±1 standard deviation. Feature importance, sa pababang pagkakasunud-sunod. Ang subplot ay nagpapakita ng feature space na sinasaklaw ng unang dalawang pinaka-salient na tampok. Ang data ay ipinapakita bilang mean values + 1standard deviation. Ang source data ay ibinigay bilang isang Source Data file. a b c d Sinusuri din namin ang privacy budget (PB, seksyon ng "Methods"), isinasaalang-alang na ang data ng kliyente ay maaaring malantad sa reverse engineering sa pamamagitan ng pakikinig sa pribadong data. Sa ganitong patungkol, nagdaragdag kami ng random Gaussian noise sa data ng kliyente na may iba't ibang intensity. Ang intensity ng randomness ay kinokontrol ng isang noise-to-signal ratio (NSR), mula 1% hanggang 10%. Ipinapakita ng Figureb ang accuracy at privacy budget comparison kapag ginagamit ang IL, MV, at WDV, ayon sa pagkakabanggit. Ang sorting accuracy ng MV ay bumababa mula 95% hanggang 82%, katulad ng sa IL kapag ang noise intensity ay tumataas mula 1% hanggang 10%. Sa noise range na ito, ang median sorting accuracy ng MV at IL ay 92% at 86%, ayon sa pagkakabanggit. Sa kabaligtaran, ang sorting accuracy ng WDV ay nananatiling higit sa 90% sa presensya ng 10% noise, na isang mahigpit na noise level sa mga praktikal na kaso. Ang WDV ay may median sorting accuracy na higit sa 95% sa parehong noise range. Kinukuha ang isang average sorting accuracy na 90% bilang isang katanggap-tanggap na reference level, ang mga PB value ng IL, MV, at WDV ay 4, 6, at 10, ayon sa pagkakabanggit. Samakatuwid, ang paglalapat ng federated machine learning ay gumagawa ng mas privacy-secure na pag-uuri kaysa sa IL, kaya may kakayahang maiwasan ang data eavesdropping. Higit pa rito, ang aming iminungkahing WDV ay mas tumpak at mas mahusay na gumaganap (na may halos dobleng PB value) sa privacy-accuracy trade-off kaysa sa MV. Bilang karagdagan, ang robustness sa mahigpit na noise kapag gumagamit ng WDV ay nagpapahiwatig din ng magandang tolerance sa requirement ng battery measurement, binabawasan ang magastos na battery testing disbursement. Kapansin-pansin na ang isang mataas na sorting accuracy ay hindi kinakailangang nagpapahiwatig ng isang katanggap-tanggap na pag-uuri para sa isang partikular na klase, isinasaalang-alang din namin ang mga performances sa loob ng klase. Ipinapakita ng Figurec ang F1-score at privacy budget ng IL, MV, at WDV sa bawat predicted class; tandaan na ang privacy setting ay kapareho ng sa Fig.b. Ang resulta ay nagpapakita na ang IL ay may mas maliit na F1-scores kaysa sa federated machine learning manner sa lahat ng klase, na gumagawa ng mahinang sortings. Tungkol sa federated machine learning, ang WDV ay nakahihigit sa MV sa bawat predicted class sa pamamagitan ng paggawa ng mas mataas na average F1 scores. Ang deviation range ng F1 scores para sa WDV ay mas maliit kaysa sa MV, na nagpapahiwatig na ang WDV ay mas matatag (Supplementary Fig.). Samakatuwid, ang aming iminungkahing WDV ay hindi lamang may mas mahusay na pangkalahatang sorting accuracy sa lahat ng siyam na klase (Fig.b) kundi pati na rin sa loob ng bawat klase, kumpara sa MV. Tungkol sa privacy budget, ang PB value kapag ginagamit ang non-federated IL, na referenced sa 0.9 F1-score level, ay makabuluhang mas mababa kaysa sa federated way (Supplementary Table) sa lahat ng klase. Ito ay nagpapahiwatig ng isang mas malubhang panganib ng data leakage para sa IL kumpara sa federated machine learning. Kapag higit pang inilalapat ang aming iminungkahing WDV, ang pribadong badyet ay maaaring tumaas ng 78% at 44% kumpara sa non-federated IL at federated MV, ayon sa pagkakabanggit (Supplementary Table). Ang mga resulta ay nagpapakita na ang WDV ay matagumpay na gumagamit ng mga insight na nauugnay sa battery-chemistry na nakatago sa mga kliyente habang epektibong pinapanatili ang privacy ng data ng kliyente. Pagkatapos, binigyang-kahulugan namin ang aming federated machine learning model sa pamamagitan ng pagsusuri sa mga pinaka-salient na tampok na correlated sa chemistry ng cathode ng baterya. Ipinapakita ng Figured ang kahalagahan ng mga tampok sa pababang pagkakasunud-sunod. Ang error bar ay nagpapahiwatig ng deviation ng kahalagahan. Ang mga tampok na F1 at F16 ay niraranggo ang top two features patungkol sa out-of-bag importance (seksyon ng "Methods"). Kapansin-pansin, ang dalawang tampok na ito ay may malinaw na pisikal na interpretasyon ng dynamics ng baterya, na higit pa nating tatalakayin sa mga susunod na seksyon. Dito, binibigyang-katwiran namin ang dalawang tampok na ito sa pamamagitan ng pag-plot ng mga pinagsamang sample ng baterya sa feature space na sinasaklaw ng mga tampok na F1 at F16. Ang subplot ng Fig.d ay nagpapakita na ang NMC/LCO blended type (HNEI, class 2), NMC (MICH_Expa, class 3), at LFP (SNL, class 6) (nagbabahagi ng kulay sa Fig.a) ay malinaw na mapaghihiwalay sa sinaklaw na feature space. Para sa natitirang mga klase, ang mga baterya ay mapaghihiwalay pa rin (tingnan ang zoomed-in view), bagama't sa medyo mas maliit na mga butil. Sa kabilang banda, ang mga hindi-salient na tampok ay may medyo mahinang kakayahan sa pag-uuri dahil sa hindi mapaghihiwalay na feature space na nasaklaw (Supplementary Fig.). Bilang resulta, matagumpay na natuklasan ng aming federated machine learning framework ang mga kapaki-pakinabang na insight sa mekanismo upang masiguro ang mga sorting accuracies. Ang ganitong insight ay maaaring higit pang palawigin upang pasimplehin