AbsorbEvo：面向微波吸波材料自主逆向设计的智能体框架

研究者提出 AbsorbEvo，一个将自然语言性能目标转换为经全波仿真验证设计的智能体框架。其候选进化策略结合语言推理、物理预测与历史反馈：大模型依据任务目标和计算历史提出参数调整方向与幅度，系统用低成本预测模型作物理先验排序，仅高分设计进入全波仿真，通过物理有效性检查的结果用于评估性能并引导后续搜索；训练任务经验被蒸馏为文本技能，经独立验证后用于新任务。在 AbsorbBench-36 留出任务、相同提案预算下，AbsorbEvo 任务成功率为 79.17%，通用智能体为 25.00%，随机搜索为 12.50%；平均最佳覆盖率为 0.7816，后两者分别为 0.6434 和 0.6448。

此前微波吸波材料设计依赖电磁理论、材料科学与仿真编程的复合专业能力，优化耗时。该工作把自然语言性能目标直接接入仿真验证的设计闭环，并在统一基准与预算下给出与通用智能体、随机搜索的量化对比，显示智能体方法在逆向设计任务上的成功率差距较大。

机制上，大模型负责基于目标与历史提出参数调整方向和幅度，低成本预测模型充当物理先验对候选排序，只有高分候选才进入昂贵的全波仿真，通过物理有效性检查的结果再反馈给下一轮搜索；同时把训练经验蒸馏为文本技能，经独立验证后迁移到新任务，形成推理、预测与历史反馈结合的进化循环。

对研发流程的直接影响是：把高成本全波仿真集中在少量高分候选上，可减少仿真调用次数与人工调参投入；自然语言接口降低了使用门槛，使非仿真专家也能提出设计目标；文本技能的可验证复用有助于把单次任务经验沉淀为可迁移资产。具体成本下降幅度证据未给出。

• 将低成本预测模型加全波仿真分层的候选筛选流程，封装为材料或器件逆向设计的通用模块
• 围绕文本技能库做版本化与验证机制，形成可复用的设计经验资产
• 在自有设计任务上复现 AbsorbBench 式基准与统一提案预算的评测流程，用于对比不同智能体方案

• AbsorbEvo 在 AbsorbBench-36 之外的任务上是否保持相近成功率
• 文本技能在跨任务迁移中的独立验证标准与失败处理方式尚未明确
• 低成本预测模型与全波仿真结果的一致性程度未给出
• 79.17% 成功率对应的计算成本与所需仿真次数未披露