日益复杂的电磁（EM）环境和多光谱检测技术的快速发展，对高性能多光谱兼容吸收体产生了迫切需求 [1], [2], [3], [4], [5], [6]。此类吸收体对于军事隐身和缓解电磁污染至关重要。超材料吸收体（MAMs）作为人工亚波长结构，提供精确的电磁调制，并在电磁屏蔽和红外?微波兼容伪装方面显示出巨大潜力 [7], [8], [9]。大量工作致力于开发红外?微波兼容 MAMs。例如，Zhang 等人通过控制 ITO 填充率和水温度，展示了一种具有>90% 微波吸收（12.44–28.72?GHz）和低红外发射率的可切换超材料 [10]。Yang 等人提出了一种四层 MAMs，在 2.53 到 34.56?GHz 范围内实现>90% 的吸收，平均红外发射率为 0.229（3–14 μm），并具备动态环境伪装能力 [11]。尽管取得了这些进展，多功能 MAMs 往往遭受结构复杂度迅速增加的困扰，这极大地增加了优化时间和计算成本。此外，传统优化方法（如参数扫描、遗传算法）往往收敛于次优解，限制了性能的进一步提升 [12], [13], [14], [15], [16]。这些挑战推动了对优化设计策略的追求。
人工智能的快速发展为 MAMs 的智能设计和性能优化铺平了道路 [17], [18], [19]。神经网络凭借其强大的非线性映射能力和数据驱动特性，克服了传统全波模拟和正向参数扫描的低效率。它们已成为拓扑优化和快速电磁响应预测的关键工具 [20], [21], [22], [23]。各种深度学习架构已成功应用于 MAMs 的多维设计，显著缩短了开发周期并降低了模拟成本 [24], [25], [26], [27]。例如，Wang 等人构建了一个卷积神经网络，仅使用 18,000 个训练样本即可在微秒内从编码频率选择表面图像预测微波吸收性能 [28]。Wang 等人通过整合红外高反射膜和微波损耗结构，开发了一种可见光透明的多光谱 MAM。通过采用前馈网络架构（FNN）结合全局优化算法，他们实现了低红外发射率（3–14 μm）和 5.6–18?GHz 范围内超过 90% 的微波吸收 [29]。这些研究证实，神经网络辅助优化可以同时提高设计效率和吸收性能 [30], [31], [32]。然而，大多数现有的基于 AI 的设计仍依赖于正向预测或混合优化，而不是直接从所需性能输出结构参数的真正逆向设计 [33], [34], [35]。
为了弥合这一差距，我们引入了一种利用串联神经网络（TNN）的智能逆向合成框架，以优化具有协同多损耗机制的红外?微波兼容伪装超材料吸收体（MMA）的微波吸收结构。具体而言，红外伪装层是基于发射率要求预先设计的，而 TNN 用于逆向优化底部微波损耗层的几何参数。TNN 由用于正向预测的高精度 FNN 和与训练好的 FNN 级联的逆向神经网络（INN）组成。FNN 辅助 INN 进行迭代训练，能够从目标电磁响应直接检索最佳结构参数。在材料设计方面，引入羰基铁粉（CIP）复合材料作为磁性损耗层，以丰富损耗机制，并与 ITO 的介质损耗协同增强微波衰减。最终设计的 MMA 在 4.2 到 18?GHz 范围内实现了超过 90% 的高效吸收，保持了高达 60° 的 TM 偏振斜入射吸收稳定性（TE 偏振高达 30°），并在 3–14 μm 波长范围内表现出降低的平均红外发射率 0.29。这种 TNN 驱动的范式克服了传统试错法的瓶颈，为多功能超材料吸收体提供了一条高效路径。
