Este documento presenta el enfoque de la red neuronal electromagnética de memoria a largo plazo (EM-LSTMNN) para acelerar los cálculos de sección transversal de radar (RCS) en la optimización de RCS baja para objetivos eléctricamente grandes. El método propuesto convierte el cálculo numérico electromagnético convencional en un cálculo numérico eficiente utilizando la red neuronal LSTM, lo que resulta en una mejora significativa en la velocidad de cálculo de RCS. Para evaluar la efectividad de este enfoque, se emplea un modelo a escala reducida de un barco de gran tamaño como objetivo para la optimización de RCS baja. Cada modificación realizada en los datos de malla del objetivo durante el proceso de optimización se almacena en el conjunto de datos como un nuevo elemento. A medida que el modelo de escala del barco sufre modificaciones durante el proceso de optimización, los nuevos datos de malla se registran, agregando así un nuevo elemento al conjunto de datos en cada paso de tiempo. Esto forma una representación de series temporales del modelo de malla. Al utilizar el conjunto de datos recopilado a lo largo del proceso de optimización, el modelo EM-LSTMNN propuesto se entrena utilizando enfoques basados en datos, con un tiempo de entrenamiento de aproximadamente 106 s. Cabe destacar que este tiempo de entrenamiento es significativamente menor en comparación con los métodos existentes que emplean redes neuronales completamente conectadas. El rendimiento del enfoque propuesto se demuestra al comparar los resultados de cálculo de RCS obtenidos mediante este método con los obtenidos a través de simulaciones electromagnéticas tradicionales.