[论文解读] A Physics-Regularized Neural Network and Kirchhoff Markov Random Field Framework for Inferring Internal Electrochemical States from Operando Spectromicroscopy

Naoki Wada, Yuta Kimura+4 more|arXiv (Cornell University)|Feb 23, 2026

Machine Learning in Materials Science被引用 0

一句话总结

这篇论文将物理正则化神经网络与基于 Kirchhoff 的马尔可夫随机场相结合，用以从 Li 离子电池正极的原位 X 射线光谱显微数据推断内部电化学状态，实现对内部传输现象的定量可视化。

ABSTRACT

Quantitative understanding of coupled reaction and transport processes in lithium-ion battery (LIB) composite electrodes remains challenging because key internal states cannot be measured directly. In this study, we develop a physics-integrated, data-driven analysis pipeline to estimate internal electrochemical states from operando microscopic X-ray absorption fine structure ($μ$-XAFS) hyperspectral data of LIB cathodes with LiPF$_6$ electrolyte. State-of-charge (SOC) maps are first constructed from Co K-edge spectra. To resolve ambiguities in the two-phase reaction region, a physics-regularized three-layer neural network is introduced, enforcing spatial continuity of SOC and current conservation. The inferred SOC dynamics are then incorporated into a Kirchhoff-based Markov random field framework that integrates Kirchhoff's current and voltage laws, Ohm's law, and a symmetric Butler-Volmer relation to estimate interfacial current, ionic current, electrolyte potential, and effective ionic conductivity. Application to composite electrodes with different initial electrolyte concentrations (0.3, 1, and 2M LiPF$_6$) reveals distinct reaction propagation behaviors governed by electrolyte concentration-dependent conductivity. The inferred electrolyte concentration distributions show qualitative agreement with independent operando X-ray transmission imaging performed on LIB composite cathodes employing a LiAsF$_6$ electrolyte. This framework enables quantitative visualization of otherwise inaccessible internal transport phenomena.

研究动机与目标

• 开发一个数据驱动的管道，能够从 LIB 阳极阴极的原位微米尺度 X 光谱显微数据估计内部电化学状态。
• 通过物理正则化在两相区强制空间 SOC 连续性和电流守恒，解决两相区域的歧义。
• 将 SOC 动态整合到基于 Kirchhoff 的马尔可夫随机场中，以估计界面电流、离子电流、电解质势和导电性。
• 在具有不同 LiPF6 电解质浓度的复合电极上演示该框架，并对比独立成像进行质性验证。

提出的方法

• 从 Co K-edge 光谱构建 SOC 映射以初始化分析。
• 引入三层神经网络，利用物理正则化在两相区域强制空间 SOC 连续性与电流守恒。
• 将推断的 SOC 动态整合到基于 Kirchhoff 的马尔可夫随机场框架中，该框架结合 Kirchhoff 定律、Ohm 定律和对称的 Butler–Volmer 关系。
• 从整合模型估计界面电流、离子电流、电解质势和有效离子导电性。
• 将该框架应用于初始 LiPF6 浓度不同（0.3、1、2 M）的电极，以研究导电性驱动的反应传播。

实验结果

研究问题

• RQ1 原位 X 射线光谱显微数据能否可靠推断 LIB 正极的内部 SOC 分布并解决两相区域的歧义？
• RQ2 物理正则化的神经网络如何在电池电极内部强制物理约束（SOC 连续性、电流守恒）？
• RQ3 基于 Kirchhoff 的马尔可夫随机场框架能否从推断的 SOC 动态准确估计界面电流、离子电流、电解质势和导电性？
• RQ4 电解质浓度变化（0.3、1、2 M LiPF6）是否导致框架能捕捉到的不同传播行为？
• RQ5 推断的电解质浓度分布与独立原位 X 射线透射成像在质性上是否一致？

主要发现

• 该框架能够对内部传输现象进行定量可视化，而这些现象在其他条件下难以获得。
• 物理正则化的三层神经网络通过强制 SOC 的空间连续性和电流守恒，解决两相区域的歧义。
• 基于 Kirchhoff 的马尔可夫随机场整合给出界面电流、离子电流、电解质势和有效离子导电性的一致于物理规律的估计。
• 电解质浓度变化（0.3、1、2 M LiPF6）呈现由导电性支配的不同反应传播行为。
• 推断的电解质浓度分布在质性上与使用 LiAsF6 电解质的独立原位 X 射线透射成像相一致。