Les praticiens de l'ingénierie rapportent que les réseaux de neurones graphiques (GNN) et les MLP sur des designs paramétrés offrent le meilleur équilibre pratique pour prédire des champs comme la température et la contrainte. L'efficacité des données est atteignable avec 10–50 échantillons d'entraînement, surtout lorsque l'apprentissage par transfert est appliqué à travers des géométries similaires. Les réseaux de neurones physiquement informés (PINNs) restent largement expérimentaux pour les géométries d'ingénierie complexes, la plupart des utilisateurs s'appuyant sur des substituts pilotés par les données. La généralisation reste un défi clé, les modèles échouant souvent sur des conditions aux limites hors distribution, ce qui pousse à revenir à des exécutions complètes du solveur.