电磁污染的快速蔓延促使需要尽快开发具备超宽带能力的高性能微波吸收材料。然而，传统的试错设计范式受限于制备过程的路径依赖性，即特定的浸渍历史严格决定了最终的梯度分布和阻抗匹配。为此，本研究提出一种序列感知的逆向设计框架，将长短期记忆(LSTM)神经网络与遗传算法(GA)相结合。基于多步浸渍制备的聚氨酯/碳纳米管(PU/CNT)泡沫工艺—性能数据库，构建高保真LSTM代理模型以表征浸渍历程中的时间依赖关系，并预测随频率变化的复介电常数。随后，GA基于该预测模型在设计空间中寻优，确定可实现精确三层梯度构型的最优浸渍路径。优化后的泡沫通过介电损耗的阶梯式递增实现性能提升，获得−24.2 dB的平均反射损耗(RL)，并实现覆盖2–18 GHz的超宽有效吸收带宽(EAB)。本研究表明，利用包含历程信息的数据驱动策略可显著加速材料发现，为先进功能复合材料的智能设计提供可扩展范式。

本论文中，我们设计了一种交互式数字化实验教学模式，利用数字化技术对目标产物进行逆合成分析，并对不同的合成路线对应的成本、安全性、产率等进行评估，筛选出适于实验教学的合成路线，完善每一条路线可能遇到的实验操作问题，设置多种可能的解决方案，最终以互动视频的形式呈现为数字化教学实验项目。在此模式下，教师能够利用数字化技术来设计实验路线、触发随机事件，引导学生发现问题、解决问题，最终完成整个实验过程。这种交互式实验教学模式有望改变传统线上实验的单线条教学叙事形式，形成具有高自由度、个性化、实时反馈、高区分度特点的新型数字化实验，并应用于更多的实验教学领域。