从机械信息学习反应扩散动力学

材料科学中的一个核心挑战是表征那些难以直接测量的化学过程，尤其是在现实条件下的功能材料中。本文展示了机械应变场包含足够的信息来重建耦合化学-力学系统中隐藏的化学动力学。我们提出了受偏微分方程约束的学习框架，从机械观测中解码浓度依赖的扩散动力学、热力学驱动力以及空间异质反应速率。以电池电极材料为模型系统，演示该框架能够准确识别支配三种不同情景的复杂本构律：经典的 Fick 扩散、伪分解及图案形成、以及具有空间速率变化的异质电化学反应。该方法在保持准确性的同时表现出鲁棒性，即使在空间数据有限和合理实验噪声水平下也能如此。最重要的是，该框架能够从机械信息中同时推断出多种基本过程和属性，包括扩散系数、反应动力学、化学势以及空间异质性图， all from mechanical information alone。这一方法为材料表征开辟了新思路，使其能够在能源存储系统、催化剂和相变材料中准确学习化学过程，而这些情况下常规诊断工具难以实现。通过揭示机械变形模式作为底层化学过程信息丰富指纹的这一工作，遵循了反向学习本构律的路径，对材料科学和工程学具有广泛意义。