针对锂金属负极界面的微结构与机械耐久性之间的耦合挑战，研究团队借助深度学习开展系统研究，聚焦微结构设计与力学性能的映射关系。

首先通过高通量的有限元仿真，随机生成多种SEI膜微结构，并记录在工作条件下的机械失效时间，构建微结构-失效时间的对应数据集。

随后建立卷积神经网络模型，对 SEI膜微结构特征与失效时间之间的关系进行学习与预测，实现从微结构到力学寿命的快速推断。

在此基础上，结合逆向蒙特卡洛优化与CNN，迭代优化出晶态颗粒均匀排列的SEI膜微结构，并给出理论分析，显示该微结构具备更优的机械耐久性EMC易倍官网。

通过可视化分析与进一步的有限元计算，揭示决定机械耐久性的关键几何特征与深层物理机理，建立锂金属负极SEI膜微结构-机械耐久性的映射关系，阐明晶态颗粒分布对力学失效的影响。

这些发现为理解SEI膜在微观尺度上的失效机理提供了新视角，并为人工SEI膜的设计与实现提供了可行的技术路线。

相关研究成果已发表，论文题目为“Design of Nanostructure in Solid Electrolyte Interphase for Enhancing the Mechanical Durability of Lithium Metal Anode by Deep-Learning Approach”。