开发具备超薄结构和可定制带宽的高性能微波吸收材料，是电磁隐身与长期服役领域面临的重大技术挑战。传统材料设计多依赖于低效的试错方法，而磁性吸收材料由于介电常数与磁导率之间复杂的耦合关系，设计难度尤为突出。本研究提出一种基于神经网络的介电常数工程策略，创新采用“磁导率锁定-介电常数优化”的研究范式，有效解耦了电磁参数之间的相互依赖。

通过电磁理论计算，我们构建了高通量介电常数特征空间，并利用双任务筛选策略（最强，最宽）确定最佳吸收条件。该数据驱动框架实现了磁性复合材料的逆向设计，最终成功制备出片状羰基铁/钛酸钡复合材料。实验表明，该材料在1.0 mm超薄厚度下展现出5.1 GHz的优异有效吸收带宽，在1.9 mm厚度时反射损耗低至-45.12 dB。此外，材料表面形成的保护性Si-O-Si层显著提升了其耐腐蚀性能，验证了良好的耐腐蚀性。本研究建立了一种人工智能引导的材料设计范式，连通电磁理论与材料制备，为加速开发先进微波吸收材料提供了坚实的理论基础。

研究成果以“Neural Network‐Based Permittivity Engineering of Magnetic Absorbers for Customizable Microwave Absorption”发表于《Advanced Science》期刊。材料学院2023级硕士研究生刘晨曦为第一作者，孟凡彬教授为通讯作者。研究工作得到了国家自然科学基金、四川省科技计划项目、中央高校基础研究等项目支持。

图1 磁导率范围选取与磁导率锁定-介电常数优化设计示意图

图2 介电常数拟合神经网络模型与双任务筛选策略结果展示

图3 双任务筛选策略模型验证与涂层性能

本研究构建了一套以智能算法为核心的新型电磁材料设计体系。通过确立“磁导率锁定-介电常数优化”的研究思路，首次实现了对磁性材料中电磁参量相互关联的有效分离。基于大规模计算构建的介电常数数据库与双任务筛选模型，能够精准推演目标频段下的理想介电常数，从而将材料研发从经验摸索升级为物理信息驱动的定向构建。我们通过理论指导进行实验设计，最终材料实测结果与理论预测高度吻合。这一智能引导的设计体系不仅为磁性微波吸收体的精准设计提供了可靠方案，更形成了一种可向其他功能材料体系迁移的通用研究方法，有望显著加速先进电磁防护材料的发现与应用。

原文链接：https://doi.org/10.1002/advs.202521945