Un profesional de simulación ingenieril busca experiencias de despliegue en el mundo real de sustitutos de machine learning para reducir el costo de costosas ejecuciones de solucionadores de Dinámica de Fluidos Computacional (CFD) y Análisis de Elementos Finitos (FEA).
- Arquitecturas: Comparando redes neuronales gráficas en datos de malla, Operadores Neurales de Fourier, enfoques de nubes de puntos y sustitutos MLP/CNN para predecir campos como temperatura y tensión.
- Eficiencia de datos: Investigando el número mínimo de muestras de entrenamiento requeridas para sustitutos útiles y la utilidad del aprendizaje por transferencia entre geometrías similares.
- Enfoques informados por física: Evaluando si las Redes Neuronales Informadas por Física (PINNs) son prácticas para geometrías de ingeniería reales en comparación con métodos basados en datos.
- Generalización: Abordando cómo mantener la confiabilidad del modelo en geometrías y condiciones de frontera fuera de la distribución de entrenamiento.
El autor tiene como objetivo identificar qué enfoques proporcionan un equilibrio utilizable entre precisión y velocidad, y dónde fallan los sustitutos de ML, lo que exige volver a los solucionadores completos.