Badacze opracowali framework uczenia federacyjnego, który chroni prywatność danych podczas optymalizacji procesów chemicznych w środowisku rozproszonym. Podejście pozwala na współpracę między wieloma podmiotami bez konieczności udostępniania wrażliwych danych procesowych z sekrety handlowymi. To ważne dla industrii chemicznej, gdzie dane procesów produkcyjnych stanowią konkurencyjną przewagę. Framework łączy uczenie rozproszone z technikami privacy-preserving, umożliwiając bezpieczną optymalizację procesów chemicznych w skali korporacyjnej.