本研究概述了高性能微波吸收材料在电磁隐身及先进通信等领域的重要性,指出了当前磁性吸收材料在实现超薄宽带吸收时面临的挑战,即传统试错方法难以有效处理复介电常数与复磁导率之间的复杂耦合问题。为此,本文提出一种基于神经网络的“磁导率锁定-介电常数优化”策略,旨在通过数据驱动的方法解耦电磁参数,构建高通量介电常数特征空间,并借助双任务筛选机制实现磁性复合材料的逆向设计与性能定制,从而为开发具有超薄厚度、宽频带吸收且耐腐蚀的磁性吸收材料提供高效、可推广的人工智能指导新范式。

本研究创新性地提出了 “permeability locking-permittivity optimization”范式。该策略通过选取代表性磁导率谱(如不同转速球磨后的片状羰基铁)作为固定边界条件,将磁性材料中高度耦合的复磁导率与复介电常数优化问题解耦,简化为针对介电常数的单变量优化。基于此,研究构建了覆盖数亿参数组合的高通量介电常数特征空间,并设计了双任务筛选策略(Task 1: 最优反射损耗;Task 2: 有效吸收带宽)。进而,开发了物理约束神经网络模型,该模型以厚度和频率为输入,逆向预测满足目标吸收性能所需的介电常数,并通过引入SoftPlus函数确保预测值的物理合理性(如介电常数虚部非负)。二、解决的问题
电磁参数强耦合困境:传统设计中频散复磁导率与复介电常数相互关联,难以通过解析方法或试错实现全局优化。
传统试错法的低效性:依赖经验调整,研发周期长、成本高,且难以系统探索广阔的电磁参数空间。
超薄与宽带性能的矛盾:磁性材料在高频下受Snoek极限限制,且高磁导率易导致阻抗失配,在超薄厚度下实现宽带吸收极具挑战。
缺乏磁性材料逆向设计工具:已有数据驱动方法多针对非磁性材料或采用简化磁模型,无法同时精准处理频散的电磁参数。
三、实现的效果
卓越的吸收性能:在1.0 mm的超薄厚度下,实现了5.1 GHz的有效吸收带宽;在1.9 mm厚度下获得最优反射损耗-45.12 dB。材料具备优异的阻抗匹配与衰减能力。
强化的实用性能:通过硅烷偶联剂构建的Si-O-Si表面层,显著提升了材料的疏水性与耐腐蚀性,保障了长期服役的可靠性。
设计有效性验证:实验测得的材料介电常数与模型预测的“可行域”高度吻合,吸收性能曲线与理论预测一致,充分验证了AI驱动设计框架的准确性。
四、创新点
范式创新:提出了“磁导率锁定-介电常数优化”这一全新设计范式,为解耦并简化磁性吸收材料的复杂电磁设计问题提供了普适性思路。
方法创新:首次构建了针对磁性材料、兼顾最优损耗与宽带性能的双任务高通量筛选框架,并结合物理约束神经网络,实现了从性能目标到介电参数的高精度逆向预测。
路径创新:建立了从理论计算、数据驱动模型、材料逆向设计到实验合成的全链条AI辅助研发闭环,为先进电磁功能材料的加速发现与定制化开发提供了可推广的新范式。
该研究通过深度融合人工智能与电磁理论,不仅成功研制出性能优异的超薄宽带磁性吸收材料,更在方法论层面为复杂功能材料的设计开辟了一条高效、精准的新路径。研究成果以题为“Neural Network-Based Permittivity Engineering of Magnetic Absorbers for Customizable Microwave Absorption”发表在旗舰期刊《Advanced Science》。单位为:上海交通大学,西南交通大学。通讯作者为:西南交通大学孟凡彬教授,上海交通大学Jinzhe Li。第一作者为:西南交通大学Chenxi Liu本研究提出了一种基于神经网络的介电常数工程策略,通过创新的“磁导率锁定-介电常数优化”范式,有效解耦了磁性吸收材料中电磁参数间的复杂耦合关系。研究构建了基于张量运算的高通量介电常数特征空间,并采用双任务筛选策略识别最优吸收条件。基于此数据驱动框架,成功逆向设计并指导合成了片状羰基铁/钛酸钡复合材料。该材料在1.0 mm超薄厚度下实现了5.1 GHz的优异有效吸收带宽,并在1.9 mm厚度处达到-45.12 dB的最佳反射损耗。同时,材料表面形成的Si-O-Si保护层显著增强了其耐腐蚀性能。本研究建立了一种将电磁理论与材料设计成功桥接的人工智能指导范式,为先进微波吸收材料的加速开发提供了一个稳健且可推广的平台。
图1:a) FCI-200 和 FCI-500 确定的 μ' 参考范围,并与代表性文献值进行比较。b) FCI-200 和 FCI-500 确定的 μ'' 参考范围,并与代表性文献值进行比较。c) "磁导率锁定-介电常数优化" 范式示意图,基于张量的介电常数空间构建以及双任务筛选策略。代表性的筛选结果:d1-d3) 任务一中对应的 ε'、ε'' 及其对应的 RL。e1, e2) 任务二中的 ε'max 和 ε'min。
图2:a) 基于神经网络的介电常数拟合模型架构。b) 在 FCI-200(任务一)数据集上的均方误差曲线。c) 在 FCI-200(任务一)数据集上的 R² 曲线。d) ε' 及 ε''(插图)的预测值与真实值散点图。e) 在 1.5 mm 厚度下,有约束与无约束模型预测的 ε' 和 ε'' 与 FCI-200 筛选结果的对比。f) 模型推断结果与筛选数据对应的 RL 对比。模型推断的理想吸收解集:g) 可行 ε' 的热力图。h) 可行 ε'' 的热力图。i) 相应 RL 的热力图。j) 在 1.5 mm 厚度下,模型预测的 ε'max 和 ε'min 与 FCI-200 筛选结果的对比。模型推断的有效吸收解集:k) 可行 ε'max 的热力图。l) 可行 ε'min 的热力图。图3:a) FCI-200 的扫描电镜图像。b) FCI-500 的扫描电镜图像。c) FCI-BT 的扫描电镜图像及其对应区域的 EDS 元素分布图:c1) Si 元素分布。c2) Ti 元素分布。c3) Fe 元素分布。c4) Ba 元素分布。d1-d4) FCI-BT 的透射电镜图像。e) FCI-BT 的高分辨透射电镜图像。原文链接:
https://doi.org/10.1002/advs.202521945