微波吸收材料在高频通信系统、电磁兼容防护与现代国防技术中具有不可替代的作用。随着电子设备的微型化、集成化发展，以及雷达探测系统工作频段的不断拓展，开发超薄宽带吸收材料已成为近场通信、物联网乃至隐身技术发展的迫切需求。然而，吸波材料的研发面临许多困境，材料的设计、制备往往通过“试错法”进行，周期漫长，且现有预测方法严重依赖已完备的实验数据，难以在合成前实现可靠性能评估。因此，建立高效精准的性能预测与设计优化体系，实现材料研发的快速迭代，已成为推动超薄宽带吸收材料向前发展的关键所在。
西南交通大学孟凡彬教授团队开发了一种基于神经网络的介电常数工程策略，为磁性吸收材料提供可定制且高效的优化平台。创新性地提出“磁导率锁定-介电常数优化”设计范式，通过采用代表性磁导率作为边界条件，有效解耦电磁参数间的相互关联。基于该方法，构建了覆盖数亿参数组合的高通量介电常数特征空间，并采用兼顾理想与有效吸收的双任务筛选策略。随后建立物理约束型神经网络介电常数拟合模型，不仅能高精度逆向预测满足目标吸收性能的介电常数，还能通过嵌入物理规则确保预测结果的合理性。这一数据驱动框架最终指导了片状羰基铁/钛酸钡复合材料的逆向设计与合成。实验验证表明，所制备材料在1.0 mm超薄厚度下实现了5.1 GHz的显著吸收带宽，同时具备优异的耐腐蚀性能。这些结果验证了从理论设计到材料实现的人工智能引导策略的有效性与实用性，为先进磁性吸收体的按需设计提供了高度灵活的解决方案。
2026年1月22日，该工作以Neural Network-Based Permittivity Engineering of Magnetic Absorbers for Customizable Microwave Absorption为题发表在《Advanced Science》上。
本文提出了一种名为“磁导率锁定-介电常数优化”的解耦设计范式，旨在突破传统电磁参数同步优化的瓶颈。以球磨羰基铁为例，他们构建了高质量数据集用于预测磁吸材料的吸收性能。鉴于现有磁吸材料在1~18 GHz频段的磁导率变化幅度较小且趋势相似，他们选取了200转/分钟（FCI-200）和500转/分钟（FCI-500）转速下测得的羰基铁磁导率值作为基准条件（图1a-b）。这些数值有效涵盖了磁吸材料中常见的大部分磁导率参数，充分展现了其卓越的普适性。
基于上述选取的频率色散相对复磁导率参考模型，他们开发了一套基于张量运算的高通量筛选框架，构建了介电常数特征空间，有效弥合了基础物理机制与数据驱动建模需求之间的鸿沟。通过传输线模型，系统整合了四个关键变量：频率色散磁导率（μr = μ' − jμ''）、介电常数（εr = ε' − jε''）、材料厚度（d）以及工作频率（f），并对该参数空间以工程级精度进行离散化处理，确保每个厚度及频率配置可生成1.44×106种可能的介电常数组合，从而在计算可行性与物理分辨率之间实现最佳平衡，随后通过计算反射损耗(RL)来量化吸波性能。
他们对生成的RL结果应用了双任务筛选策略。任务1的目标是识别最优RL值。对于每个（d，f）对，沿 εr 维度提取对应最小RL的（ε', ε''）组合，并记录对应的RL值。在实际工程应用中，实现较宽的有效吸收带宽（EAB）通常更具优势，因其能显著提升吸收材料的适用性。因此，任务2专注于识别RL低于不同阈值(−10，−8，−6)的有效 εr 区域，这些阈值根据不同应用场景定制。对于每个(d，f，阈值)三元组，采用布尔掩码提取有效 εr 区域的坐标，随后通过边界检索确定ε' 和ε'' 的上下限。该过程为吸收材料的宽带设计建立了数据驱动基础。如图1c所示，展示了介电常数特征空间构建及双任务筛选策略执行的可视化概览，同时呈现了各任务的数据集格式。图1d-e展示了双任务筛选策略的示例。整个计算在 NVIDIA RTX 4070 Ti GPU上完成，仅耗时10.08秒——相较于传统基于CPU的嵌套循环实现，速度提升了数千倍。
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
与非磁性吸收材料的介电常数拟合方法不同，通过双任务筛选策略（图1d-e）从FCI-200和FCI-500的磁导率数据中获得的介电常数数据集，呈现出复杂的非线性特征，这对传统函数拟合方法提出了严峻挑战。作为解决深度学习中非线性回归问题的稳健策略，神经网络凭借其自主多层级特征提取和数据驱动模式识别的固有能力，为关联复杂电磁参数提供了革命性解决方案。该人工智能范式已被战略性地应用于构建基于神经网络的介电常数拟合模型，该模型专为以羰基铁为典型体系的磁性吸收材料逆向智能设计而设计。
如图2b-c所示，使用任务1中200转/分钟条件下的数据集为例，该模型展现出卓越性能。具体而言，训练集和验证集的MSE 值均随训练轮次增加呈现持续下降趋势，其中验证集更取得了0.9886的优异 R2 值。此外，预测值与真实值的对比散点图（图2d）表明， ε' 和ε'' 的预测能力均十分稳健。图2 g-l为双任务筛选策略的全厚度全频段结果展示以及预测结果展示。
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
基于上述深度学习预测结果他们采用羰基铁掺杂钛酸钡共球磨（FCI-BT）的方式设计高效轻薄隐身涂层吸波剂。为深入探究基于神经网络的介电常数拟合模型的泛化能力，他们在0.8 mm的极薄厚度条件下验证了FCI-BT的吸收性能。如图3a-b所示，重叠的介电常数区域与双任务目标高度吻合。其中任务2采用-8dB作为验证阈值。在0.8 mm这种极端厚度条件下，FCI-BT仍能在10.44~18GHz频段实现7.56GHz的 EAB（<-8dB），既展现了卓越的宽带吸收性能，也印证了基于神经网络的介电常数工程方法的泛化能力。FCI-BT在1.1 mm具有5.19 GHz的带宽（<-10dB），在1.9 mm厚度下实现RLmin=-45.12 dB。
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。他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
