Los sistemas auto-oscilantes tienen una gran utilidad en la recolección de energía, motores y actuadores debido a su capacidad de convertir directamente la energía ambiental en trabajo mecánico. Esta característica hace que su diseño e implementación sean altamente valiosos. Debido a la complejidad del proceso de movimiento y la influencia simultánea de múltiples parámetros, el cálculo de sistemas auto-oscilantes resulta ser un desafío, especialmente al realizar un diseño de parámetros inverso. Para simplificar el proceso computacional, se emplea un enfoque combinado de los algoritmos de Random Forest (RF) y Red Neuronal de Retropropagación (BPNN). El ejemplo utilizado es una cuerda de saltar auto-rotativa hecha de fibra de elastómero de cristal líquido (LCE) y un bloque de masa bajo iluminación. La resolución numérica de las ecuaciones gobernantes proporciona soluciones precisas para la frecuencia de rotación de la cuerda de saltar LCE bajo varios parámetros del sistema. Se construye una base de datos que contiene 138,240 conjuntos de condiciones de parámetros y sus frecuencias de rotación correspondientes para entrenar los modelos de RF y BPNN. Los resultados del entrenamiento indican que RF y BPNN pueden predecir con precisión la frecuencia de rotación de la cuerda de saltar auto-rotativa bajo varios parámetros, demostrando una alta estabilidad y eficiencia computacional. Este enfoque nos permite descubrir las influencias de distintos parámetros en la frecuencia de rotación. Además, es capaz de un diseño inverso, lo que significa que puede derivar la combinación de parámetros deseada correspondiente a partir de una frecuencia de rotación dada. A través de este estudio, se logra una comprensión más profunda del comportamiento dinámico de los sistemas auto-oscilantes, ofreciendo un nuevo enfoque y base teórica para su implementación y construcción.