退役
清华大学张璇、周光敏团队在联邦学习实现退役电池协同分类回收研究中取得新进展
编辑 | ScienceAI在退役电池回收行业中，正极材料的回收价值极高。传统的处理方式（例如火法、湿法）通常不对正极材料进行分类，而以混合形式回收，资源利用效率低且利润有限。相较之下，直接回收（修复）方法可以显著提升经济价值，具有工艺流程短、二次能源消耗和污染低、经济效益高的优点，但需要事先获取电池的正极材料信息。这些信息涉及制造商、用户、科研机构等敏感数据，难以获取和集中利用。此外，电池制造标准多样性、历史运行条件差异和多方（回收合作者）协作时的数据隐私问题加剧了退役电池分类的难度，制约了回收效率的提升和回收产
优化回收电池的质量和盈利能力，清华团队通过联邦机器学习对废旧电池材料进行分类
编辑 | 萝卜皮未经分类的「退役电池」具有不同的正极材料，由于其正极特定的性质，阻碍了直接回收的采用。报废电池的激增需要精确分类以实现有效的直接回收，但不同的运营历史、不同的制造商以及回收合作者（数据所有者）的数据隐私问题带来了挑战。清华大学团队展示了，从涵盖 5 种阴极材料和 7 家制造商的 130 块锂离子电池的独特数据集中，联邦机器学习方法可以对这些退役电池进行分类，而无需依赖过去的运营数据，从而保护回收合作者的数据隐私。通过利用从报废充放电循环中提取的特征，该团队的模型在同质和异质电池回收设置下分别表现出
- 1