En este trabajo, diseñamos una red neuronal de diseño inverso de múltiples categorías para mapear estructuras periódicas ordenadas a parámetros físicos. El modelo de red neuronal consta de dos partes, un clasificador y subredes de Mapeo de Estructura-Parámetro (SPM). El clasificador se utiliza para identificar estructuras, y las subredes de SPM se utilizan para predecir parámetros físicos para las estructuras deseadas. También presentamos un método de aumento de datos extensible en el espacio recíproco para garantizar la invariancia de rotación y traslación de estructuras periódicas. Aplicamos el modelo de red propuesto y el método de aumento de datos a copolímeros dibloque bidimensionales basados en el modelo de Landau-Brazovskii. Los resultados muestran que la red neuronal de diseño inverso de múltiples categorías tiene una alta precisión en la predicción de parámetros físicos para estructuras deseadas. Además, la idea de multi-categorización también puede ser extendida a otros problemas de diseño inverso.