近日，昆明理工大学材料科学与工程学院报道了一种高效的机器学习框架，用于揭示固态电解质中的缺陷分布与电化学-力学过程中应力分布之间的关联。该研究工作以“Prior-knowledge-driven machine learning modeling for electro-chemo-mechanical failure of solid-state electrolyte”为题发表在能源化学顶级期刊Journal of Energy Chemistry（一区TOP）上。昆明理工大学材料科学与工程学院为论文的唯一作者单位，材卓221班本科生吴锦为第一作者，博士生姚荣厚为主要共同作者，我院胡劲教授和熊仕昭教授为本文通讯作者。该研究工作得到国家自然科学基金面上和云南省“兴滇英才支持计划”青年人才项目的资助。

通过求解基于电化学-力学机制的耦合多物理场方程生成了丰富的缺陷场与应力场数据集，并对其进行系统分析，识别出了最具影响力的缺陷特征，同时对先前工作中的重要结论进行量化。将提取的特征与量化后的先验知识整合为物理约束信息嵌入模型中，显著提升了模型的物理一致性。在验证数据集上，该模型展现出极低的均方误差（MSE）和平均绝对误差（MAE），分别为0.01%和0.54%。

本研究中，SE-UNet被证实为预测具有不同缺陷分布的固态电解质应力场最有效的模型。相较于其他卷积神经网络架构，SE-UNet模型展现出对先验知识更强的学习能力以及更高的预测精确度。为构建大规模多样化训练数据集，作者采用简化的电化学-力学框架生成了丰富的缺陷分布图与对应的应力场分布图。此外，先验知识作为物理约束被量化整合嵌入到了模型中，成功提升了模型的预测精度和物理一致性。本研究为理解固态电池界面失效提供了新视角，并提出了一种将领域知识与数据驱动建模相结合的创新策略。此方法为未来电化学-力学相互作用的研究及固态电池体系的固-固界面设计提供了新的研究方向。

论文链接：https://doi.org/10.1016/j.jechem.2025.07.039