当前,人工智能在电磁设计领域的应用正在推动传统依赖全波仿真、参数扫描和经验优化的设计模式向智能化、自动化和高效化方向转变。传统电磁器件设计(如天线、超材料、超表面、射频器件、微波器件及光电器件等)通常需要借助有限元法(FEM)、有限差分时域法(FDTD)、CST、HFSS等仿真工具进行大量迭代优化,在面对高维参数空间、复杂结构拓扑以及多目标性能约束时,往往存在计算成本高、设计周期长等问题。近年来,深度学习、Transformer、生成式AI、物理信息神经网络(PINN)以及强化学习等人工智能方法逐渐融入电磁设计,通过学习“结构参数—电磁响应”之间的复杂映射关系,实现电磁器件的快速预测、智能优化与逆向设计。当前AI驱动的电磁设计研究重点围绕超材料与超表面设计、天线智能优化、电磁隐身、无线通信器件、光子芯片、射频系统以及新型电磁功能器件开发等方向展开,通过神经网络代理模型替代传统高成本仿真过程,并结合物理约束提升模型可靠性,实现从目标性能直接反推出最优结构参数的智能设计流程。近年来,基于深度神经网络的超表面逆向设计已能够快速生成满足特定电磁响应要求的结构,大幅缩短传统设计周期;同时,AI与物理规律融合的方法正在进一步提升复�