El aprendizaje distribuido realizado por cada organización permitió la integración de los parámetros del modelo sin comprometer la confidencialidad de los datos, lo que llevó a una mayor precisión en la predicción de por vida de los materiales resistentes al calor. Crédito: Masahiko Demura, Instituto Nacional de Ciencia de Materiales
NIMS y sus colaboradores han desarrollado un modelo diseñado para predecir la durabilidad a largo plazo de una gama de materiales de acero resistentes al calor al realizar el aprendizaje automático mientras preservan la confidencialidad de los datos de cada organización. Esta investigación es publicado En Tetsu-to-Hagané.
Los datos de materiales propietarios de las empresas privadas son altamente confidenciales, lo que hace un intercambio de la organización cruzada para el desafío de I + D colaborativa. Sin embargo, generar dichos datos es extremadamente lento y costoso, por lo que es deseable la colaboración de datos cruzados. En particular, puede tomar más de una década adquirir datos de por vida para los materiales resistentes al calor utilizados en las instalaciones de generación de energía, destacando la necesidad de colaboración del sector público-público.
NIMS desarrolló un sistema que permitía a múltiples organizaciones (seis empresas privadas y dos institutos nacionales de I + D) realizar el aprendizaje automático de forma independiente utilizando sus propios datos locales al tiempo que preservan su confidencialidad (es decir, a través del aprendizaje federado).
Como resultado, construyeron conjuntamente un “modelo global” capaz de predecir la durabilidad a largo plazo de los materiales de acero resistentes al calor. El modelo global demostró una precisión predictiva significativamente mayor que un modelo local construido únicamente utilizando los datos de NIMS. Esto representa el primer ejemplo de colaboración de datos del sector público -público a través del aprendizaje federado.
Se espera que estos logros promuevan la colaboración de datos del sector público -público en una amplia gama de campos de investigación de materiales. El sistema de aprendizaje federado desarrollado por NIMS está disponible públicamente y de código abierto. En el futuro, NIMS planea actuar como coordinador, fomentando la colaboración para satisfacer las crecientes demandas de asociaciones de la industria y el sector público.
El sistema de aprendizaje federado utilizado en este estudio fue desarrollado y publicado como código abierto por Nims y Elix.
Más información: Junya Sakurai et al, aprendizaje federado del tiempo de ruptura de fluencia y modelos de predicción de resistencia a la tracción a alta temperatura, Tetsu a Hagané (2025). Doi: 10.2355/tetsutoHagane.tetsu-2024-124
Proporcionado por el Instituto Nacional de Ciencia de Materiales
Cita: el modelo de aprendizaje automático predice la durabilidad del acero resistente al calor al tiempo que preserva la confidencialidad de los datos (2025, 20 de junio) Recuperado el 20 de junio de 2025 de https://techxplore.com/news/2025-06-machine-sistant-steel-durabilidad-confidentialialiality.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
