Hacia una mejor evaluación del impacto ambiental de la electrónica

El cambio climático es un problema importante para todos, incluidos gobiernos, empresas y personas. La urgencia de este asunto resalta la importancia de medir con precisión el impacto ambiental de crear productos y ofrecer servicios. Una herramienta que se usa a menudo para evaluar este impacto es el Análisis del Ciclo de Vida (pLCA). Este método evalúa los efectos ambientales de un producto desde el inicio de su vida, como la extracción de materias primas, pasando por su uso y, finalmente, hasta su eliminación.

Sin embargo, obtener información confiable y detallada sobre las diferentes etapas del ciclo de vida de un producto es a menudo complicado. Esta falta de datos puede llevar a evaluaciones incorrectas del impacto climático de un producto. Para abordar este problema y mejorar la capacidad del pLCA para crear perfiles de impacto ambiental precisos, se están desarrollando nuevas estrategias. Estas estrategias se centran en identificar productos y partes alternativas que sean similares en diseño, función y rendimiento. Este proceso ayudará a encontrar reemplazos adecuados cuando no haya suficientes datos disponibles.

Nuestro enfoque está principalmente en dispositivos electrónicos, que están compuestos por varias partes y componentes. Para abordar este problema, proponemos un marco que utiliza un enfoque de aprendizaje semi-supervisado. Este marco se basa en datos sobre la Lista de materiales (BOM) del producto y algo de información limitada sobre sustitutos a nivel de componentes. Este enfoque nos permite crear un Grafo de Conocimiento de Máquina (MKG) y aprender representaciones efectivas de los componentes utilizados en hardware electrónico.

#La Importancia de Abordar el Cambio Climático

El cambio climático plantea graves riesgos para la salud humana, la naturaleza y el crecimiento económico. Según la Organización Mundial de la Salud (OMS), se estima que el cambio climático causará alrededor de 250,000 muertes adicionales cada año entre 2030 y 2050. Las actividades humanas han sido un gran impulsor del cambio climático, principalmente a través del aumento de emisiones de carbono. Muchos países y organizaciones ahora se están comprometiendo a alcanzar la neutralidad de carbono.

El Protocolo de Gases de Efecto Invernadero divide el reporte de carbono en tres categorías: Alcance 1, Alcance 2 y Alcance 3. El Alcance 1 cubre las emisiones directas de fuentes que controla una empresa. El Alcance 2 incluye las emisiones indirectas de la energía que compra una empresa. El Alcance 3, que a menudo puede representar la mayor parte de las emisiones de una empresa, incluye todas las demás emisiones indirectas que ocurren en la cadena de valor de una empresa. Mientras que las empresas pueden gestionar directamente las emisiones del Alcance 1 y Alcance 2, las emisiones del Alcance 3 pueden ser mucho más difíciles de medir y gestionar porque involucran una amplia gama de factores y procesos.

#Metodologías para Calcular Emisiones del Alcance 3

Dos métodos comunes para calcular las emisiones del Alcance 3 son el Análisis de Insumo-Producto y la Evaluación del Ciclo de Vida del Proceso (pLCA). El Análisis de Insumo-Producto utiliza datos económicos para determinar impactos ambientales, mientras que el pLCA observa los efectos ambientales de partes individuales y ensamblajes para evaluar el impacto general del producto final. Aunque hay ventajas y desventajas en ambos métodos, aquí no se incluye una comparación detallada.

Entre las emisiones del Alcance 3, nos centramos principalmente en la compra de bienes y servicios, así como bienes de capital. Estas categorías son contribuyentes clave a las emisiones del Alcance 3 para muchas grandes organizaciones de cadena de suministro. Sin embargo, hay muchos desafíos al calcular los datos del Alcance 3, especialmente utilizando pLCA. Un problema significativo es obtener la información necesaria sobre el impacto ambiental de cada componente individual utilizado en la producción de ensamblajes complejos.

Entender las similitudes entre componentes puede ayudar a estimar sus impactos ambientales, especialmente cuando los datos son escasos. Los dispositivos electrónicos consisten en muchas partes interconectadas, que pueden organizarse en una estructura jerárquica conocida como la Lista de Materiales (BOM). Muchos productos comparten componentes, sub-ensamblajes y ensamblajes. Esta comúnidad puede capturarse en una estructura de grafo.

#La Estructura del Grafo

En este grafo, surge una propiedad única: ningún par de componentes conectados comparte etiquetas o características idénticas. Este aspecto hace que el grafo sea no homofílico, lo que significa que los componentes vinculados no necesariamente tienen atributos similares. Por ejemplo, una placa madre puede conectar dos unidades de estado sólido (SSD) de diferentes marcas, pero estas unidades pueden no tener ninguna relación directa entre sí.

Los métodos de aprendizaje de grafos utilizan las relaciones complejas presentes en la estructura del grafo. Se ha realizado mucha investigación utilizando Redes Neuronales de Grafos (GNNs), que a menudo asumen que los nodos conectados tendrán características similares. Sin embargo, esta suposición no siempre es cierta en los datos del mundo real. Además, muchas nuevas GNNs que funcionan bien en escenarios no homofílicos están a menudo limitadas en tamaño o sólo se han probado en conjuntos de datos más pequeños.

Como los ensamblajes complejos pueden contener muchos tipos de componentes, simplemente clasificar las partes no es suficiente para encontrar aquellas que son similares. Proponemos un marco de aprendizaje semi-supervisado que trabaja con una estructura de grafo no homofílica y un conjunto mínimo de muestras positivas para aprender representaciones generales de los componentes. También introducimos un método para generar muestras negativas sesgadas para mejorar las representaciones de componentes.

#Abordando las Similitudes de Componentes

En la gestión de la cadena de suministro, usar componentes sustitutos calificados puede minimizar los riesgos asociados con interrupciones, obsolescencia de componentes y dependencias de fuentes únicas. Estos sustitutos a menudo están limitados a ciertos tipos de componentes. En dispositivos de computación, las unidades de estado sólido y los discos duros suelen tener sustitutos, mientras que los resistores y capacitores pueden no.

Para ayudar a identificar componentes funcionalmente similares, nuestro objetivo es crear un conjunto de datos que genere una nueva relación "similarA" dentro de nuestro Grafo de Conocimiento de Máquina. Esto ayudará a encontrar componentes similares de manera más eficiente. Nuestra configuración de problema involucra un grafo atribuido donde los nodos representan componentes de una máquina y los bordes indican las conexiones entre ellos.

El objetivo es identificar componentes similares a través de una función de puntuación que estima la probabilidad de que diferentes nodos estén relacionados. Nuestro método aprende representaciones de dimensión baja para estos componentes al integrar sus características únicas con sus conexiones.

#Aprendiendo Sobre Similitudes de Componentes

Nuestro enfoque utiliza técnicas que aprenden características de la estructura del grafo. Por ejemplo, varios modelos como TransE, DistMult y ComplEx pueden capturar relaciones entre nodos en función de la topología del grafo.

También fusionamos información de las características de los nodos para mejorar nuestras incrustaciones. Las características pueden incluir características específicas relevantes para los componentes, como la capacidad de almacenamiento o la potencia de procesamiento.

Implementaremos estrategias para generar muestras negativas, utilizando métodos que consideren cómo se relacionan diferentes características. Nuestro objetivo es mejorar el proceso de aprendizaje, haciéndolo posible para alinear componentes similares de manera más efectiva mientras separamos aquellos que son disímiles.

#Entrenamiento y Configuración Experimental

Para probar nuestros métodos, creamos un Grafo de Conocimiento de Máquina que incluye datos de múltiples Listas de Materiales de productos. Cada componente en el BOM está identificado por varias características, incluida la capacidad de almacenamiento, el conteo de núcleos y la velocidad de reloj.

En nuestros experimentos, empleamos diferentes técnicas para generar muestras negativas, incluyendo muestreo aleatorio y muestreo sesgado. Este último enfoque se centra en identificar diferencias más significativas entre componentes, lo que puede mejorar la precisión y la generalización del modelo.

Métricas como Tasa de Éxito, Tasa Recíproca Media (MRR) y Rango Medio ayudarán a evaluar qué tan bien nuestro modelo predice componentes similares. Realizaremos múltiples ensayos para evaluar la consistencia del rendimiento en las pruebas.

#Resultados y Análisis

A través de nuestros experimentos, encontramos que nuestra metodología mejora significativamente las predicciones de similitud de componentes en comparación con modelos existentes. El uso de muestreo negativo sesgado resultó consistentemente en un mejor rendimiento y convergencia más rápida en términos de MRR.

Realizamos un análisis de vecinos más cercanos para evaluar cualitativamente qué tan bien nuestro modelo identifica componentes similares. Surgieron hallazgos interesantes donde, incluso cuando un componente no tenía ejemplos positivos, el modelo con muestras negativas aún podía producir coincidencias sólidas basadas en atributos compartidos.

Esto sugiere que nuestro enfoque puede funcionar bien en varios escenarios, sirviendo como una forma de estimar los impactos ambientales de los componentes que tradicionalmente carecen de datos robustos.

#Puntos Clave

Hemos desarrollado un marco para aprender efectivamente representaciones de partes electrónicas al mejorar los métodos de grafo existentes. Al integrar características de nodos y emplear estrategias de muestras negativas, podemos producir evaluaciones más precisas del impacto ambiental de los bienes electrónicos.

Nuestro trabajo demuestra un nuevo método para abordar los desafíos de datos asociados con la evaluación de las consecuencias ambientales de los ensamblajes complejos. El marco tiene el potencial de aplicarse a muchos productos, incluidos baterías, smartphones y automóviles.

En el futuro, planeamos utilizar las salidas de nuestro modelo para abordar complejidades adicionales relacionadas con la fabricación y prácticas sostenibles. Esto incluye identificar brechas en los datos reportados por proveedores y realizar estudios en profundidad sobre los impactos del consumo de productos electrónicos.

#Conclusión

Esta investigación representa un esfuerzo inicial para abordar las dificultades en la medición de los impactos ambientales de los ensamblajes complejos. Al avanzar en el campo del aprendizaje de representaciones para componentes de máquinas, abrimos puertas a mejores prácticas y metodologías en sostenibilidad.

La capacidad de identificar componentes sustitutos y mejorar las evaluaciones del ciclo de vida contribuirá a cálculos más precisos de las emisiones del Alcance 3. Los descubrimientos y métodos aquí descritos pueden llevar a una mejor gestión de inventarios, optimización de diseños y detección temprana de errores en procesos de fabricación, beneficiando tanto a las empresas como al medio ambiente.