Un profesional en simulación ingenieril busca experiencias del mundo real sobre el despliegue de sustitutos de aprendizaje automático para reducir el costo de costosas ejecuciones de solucionadores de Dinámica de Fluidos Computacional (CFD) y Análisis de Elementos Finitos (FEA).
La discusión se centra en cuatro áreas clave: comparar arquitecturas como redes neuronales gráficas, Fourier Neural Operators y MLPs para la predicción de campos; evaluar la eficiencia de datos y el aprendizaje por transferencia entre geometrías similares; evaluar la practicidad de las Redes Neuronales Informadas por Física (PINNs); y abordar los desafíos de generalización fuera de la distribución de entrenamiento.
El objetivo es identificar qué enfoques proporcionan un intercambio utilizable entre precisión y velocidad, y dónde los sustitutos de ML han fallado, requiriendo un retorno a solucionadores completos.