锂金属负极具有高达3860mAh/g的理论容量，远高于商用石墨负极材料，被认为是新一代电化学储能电极材料，极具发展潜力。然而，在循环过程中，锂金属表面的固态电解质界面（SEI）膜的反复机械失效—再生过程引发了不可控的锂枝晶生长，带来了严重的循环稳定性与安全性问题，阻碍了锂金属负极的实际应用。因此，深入研究SEI膜的机械耐久性，抑制SEI膜的机械失效，对于优化锂金属负极的循环稳定性与安全性至关重要。已有实验表明，SEI膜的微结构为晶体颗粒随机分布于非晶结构基体中，其位置分布对SEI膜的机械耐久性有着显著的影响。因此，建立SEI膜微结构-机械耐久性的映射关系，对于设计SEI膜微结构以提升其机械耐久性具有重要意义。然而，晶态颗粒在SEI膜内具有无限多的可能分布，基于传统的实验或模拟计算的手段难以建立结构-机械耐久性的关系。

近日，材料学院强度室邓俊楷教授课题组针对上述挑战，同材料学院宋江选教授合作，利用深度学习技术对锂金属负极SEI膜微结构-机械耐久性的映射关系进行研究。研究团队通过有限元高通量计算，随机建立SEI膜微结构与其机械失效时间的对应数据集，并使用卷积神经网络进行训练，建立了二者的对应关系。随后利用逆向蒙特卡洛与卷积神经网络相结合的方法对SEI膜微结构进行优化，设计出晶态颗粒均匀排列的SEI膜微结构，并理论验证该微结构具有优异的机械耐久性。该工作基于类激活映射图技术以及进一步的有限元计算，识别了决定SEI膜机械耐久性的关键结构特征以及深层物理机理，建立了锂金属负极SEI模微结构-机械耐久性的映射关系，有助于理解SEI膜机械失效的微观机理及晶态颗粒分布对于机械失效的影响，对于人工SEI膜的设计与实现有一定的指导意义。