El diseño inverso del grano de propulsor sólido para un objetivo de coincidencia de rendimiento, una de las direcciones más desafiantes del trabajo de diseño de motores de cohetes sólidos, está limitado por los métodos tradicionales de optimización impulsados por parámetros semi-empíricos basados en algunas configuraciones de grano predefinidas. Los diseñadores de granos piden un nuevo método que pueda proporcionar automáticamente formas de grano completamente nuevas más allá de las tradicionales. En este trabajo, se propone un método de optimización de formas basado en una red neuronal evolutiva para lograr el diseño inverso de granos bidimensionales (2D). En primer lugar, se resuelve la ecuación eikonal en forma de elipse modificada utilizando el método de elementos finitos para realizar el análisis de retroceso de granos 2D en cualquier forma en una malla no estructurada fija. Luego, se introduce la red neuronal para determinar la distribución espacial del propulsor y definir la forma del grano. Los hiperparámetros de la red evolucionan continuamente con la ayuda del algoritmo genético. Finalmente, se obtiene la forma óptima del grano que más coincide con el objetivo de rendimiento. El método se verifica en diferentes escenarios. El resultado muestra que el diseño puede coincidir con precisión con la curva de presión-tiempo dada de granos en estrella y granos en tubo ranurado. Además, el método puede evolucionar automáticamente un nuevo grano en forma dendrítica que coincida con la curva de presión-tiempo de doble empuje dada. Dado que el diseño inverso utiliza el concepto de optimización de formas, no requiere ninguna preselección de la forma del grano, y los diseñadores estarán libres de definir diferentes tipos de parámetros geométricos para configuraciones de grano específicas. En consecuencia, el método tiene el potencial de aplicarse en la reconstrucción de un grano real y en el diseño conceptual de configuraciones de grano innovadoras.