AbsorbEvo: An Agentic Framework for Autonomous Inverse Design of Microwave Absorbers
作者: Zhicheng Feng, Yubo Zhao, Xuefeng Yao
分类: cs.AI
发布日期: 2026-10-01
💡 一句话要点
提出AbsorbEvo框架以实现微波吸收体的自主逆向设计
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 微波吸收体 逆向设计 自主设计 语言推理 物理反馈 材料科学 全波仿真
📋 核心要点
- 现有微波吸收体设计方法依赖于专家知识，优化过程复杂且耗时，难以实现自动化。
- AbsorbEvo框架通过将自然语言目标转化为设计，结合语言推理与物理反馈，实现了自主逆向设计。
- 在AbsorbBench-36任务中，AbsorbEvo的成功率达到79.17%，显著优于传统方法，展示了其有效性。
📝 摘要（中文）
设计高性能微波吸收体需要电磁理论、材料科学和仿真编程方面的专业知识，并且优化过程耗时。本文提出AbsorbEvo，一个自主逆向设计框架，能够将自然语言性能目标转化为经过全波仿真验证的设计。其候选进化策略结合了语言推理、基于物理的预测和历史反馈。大型语言模型根据任务目标和计算历史提出参数调整的方向和幅度。该系统结合定向增量与全局采样生成候选，并使用低成本预测模型作为物理先验进行排名。只有高排名的设计才会进行全波仿真。通过训练任务的经验进一步提炼为文本技能，在新任务中独立验证。AbsorbEvo在相同提案预算下，在AbsorbBench-36任务中取得了79.17%的成功率，而通用代理为25.00%，随机搜索为12.50%。
🔬 方法详解
问题定义：本文旨在解决微波吸收体设计中的自动化问题，现有方法依赖于专家知识和复杂的优化过程，效率低下且难以普及。
核心思路：AbsorbEvo通过将自然语言性能目标转化为设计，结合语言推理和物理反馈，形成了一种新的自主逆向设计方法，旨在提高设计效率和准确性。
技术框架：该框架包含多个模块：首先，使用大型语言模型生成参数调整的建议；其次，结合定向增量与全局采样生成候选设计；然后，利用低成本预测模型对候选进行排名；最后，只有高排名的设计才会进行全波仿真以验证其性能。
关键创新：AbsorbEvo的创新在于将语言推理与物理反馈相结合，形成了一种新的设计决策机制，与传统方法相比，显著提高了设计的自动化程度和效率。
关键设计：在参数设置上，AbsorbEvo采用了基于历史反馈的动态调整策略，损失函数设计考虑了物理有效性和性能评估，网络结构则集成了语言模型与物理模型的结合。
🖼️ 关键图片
📊 实验亮点
在AbsorbBench-36任务中，AbsorbEvo的任务成功率达到79.17%，显著高于通用代理的25.00%和随机搜索的12.50%。此外，其平均最佳覆盖率为0.7816，优于其他对比方法，展示了其在微波吸收体设计中的卓越性能。
🎯 应用场景
该研究的潜在应用领域包括微波吸收材料的设计、电子设备的电磁兼容性优化以及新型材料的开发。通过实现自主逆向设计，AbsorbEvo能够加速材料研发过程，降低研发成本，具有重要的实际价值和广泛的应用前景。
📄 摘要（原文）
Designing high-performance microwave absorbers requires specialized expertise in electromagnetic theory, materials science and simulation programming, and entails time-consuming optimization. Here, we present AbsorbEvo, an agentic framework for autonomous inverse design that translates natural-language performance objectives into designs verified by full-wave simulations. Its candidate evolution strategy integrates language reasoning, physics-based prediction and historical feedback. A large language model proposes the directions and magnitudes of parameter adjustments based on task objectives and computational history. The system combines directed increments with global sampling to generate candidates and uses a low-cost predictive model as a physics prior to rank them. Only high-ranking designs undergo full-wave simulation. Results passing physical validity checks are used to evaluate performance and guide subsequent search. Experience from training tasks is further distilled into textual skills, which are independently validated before use in new tasks. Under identical proposal budgets on held-out AbsorbBench-36 tasks, AbsorbEvo achieved a task success rate of 79.17%, versus 25.00% for a generic agent and 12.50% for random search. Its mean best coverage was 0.7816, compared with 0.6434 and 0.6448, respectively. By integrating language reasoning and physics-based feedback into design decisions, AbsorbEvo provides a methodological foundation for natural-language-driven autonomous inverse design of microwave absorbers.