Se propone un enfoque de aprendizaje profundo para el análisis electromagnético eficiente de un inductor en chip con rellenos de metal ficticios (DMFs). Mediante la comparación de diferentes funciones de activación y funciones de pérdida, se construye una red neuronal profunda para el modelado de DMF utilizando una función de activación de unidad máxima suave y una función de pérdida log-cosh. El efecto capacitivo parasitario de los DMFs se extrae rápidamente y con precisión a través de este modelo, y la permitividad efectiva puede ser obtenida posteriormente. Un inductor en chip que contiene DMFs con diferentes densidades de relleno es analizado utilizando este método propuesto y comparado con la simulación electromagnética de estructuras completas. Los resultados validan la precisión y eficiencia de este método propuesto.