Denna rapport beskriver arbetet genomfört i en förstudie om hur maskininlärning kan tillämpas på design av radarabsorbenter. Radarabsorbenter är en viktig teknologi för att minska signatur mot radar och därmed öka överlevnadsförmåga hos militära plattformar. Maskininlärning för design av radarabsorbenter bedöms ha goda förutsättningar att ge stora förbättringar, både genom att ge upphov till bättre absorbenter och genom att accelerera nuvarande designprocesser. Detta forskningsområde ses även som en del av en accelererande trend där allt fler applikationer inom design av elektromagnetiska komponenter kan förbättras med maskininlärning. Det genomförda arbetet har bidragit till att bygga upp kompetens inom maskininlärning för radarabsorbenter genom samverkan mellan två avdelningar. Fokus har varit att sammanställa relevant litteratur samt att etablera grundläggande förmåga i elektromagnetisk simuleringsmjukvara. På sikt kan mjukvaran användas för att generera träningsdata till maskininlärningsmodeller. Rapporten beskriver de vanligaste problemformuleringarna där maskininlärning tillämpas samt de utmaningar som finns inom området. Vidare föreslås en utvecklingsmetodik för framtida arbete. Målgruppen för rapporten är forskare och ingenjörer som intresserar sig för design av elektromagnetiska strukturer, särskilt de med intresse för hur maskininlärning kan tillämpas vid design av radarabsorbenter. Förutsättningarna att designa radarabsorbenter med maskininlärning vid FOI är mycket goda. Ämnet är strategiskt viktigt och har potential att ge goda resultat, med tillämpningar inom flygvapnet, armén och marinen.