Un praticien de la simulation ingénieuriale cherche des expériences réelles concernant le déploiement de surrogats d'apprentissage automatique pour réduire le coût des exécutions de solveurs coûteux de Dynamique des Fluides Numérique (CFD) et d'Analyse par Éléments Finis (AFM).
La discussion se concentre sur quatre domaines clés : comparaison des architectures telles que les réseaux neuronaux graphiques, les opérateurs neuronaux de Fourier et les MLP pour la prédiction de champs ; évaluation de l'efficacité des données et de l'apprentissage par transfert entre géométries similaires ; évaluation de la praticité des Réseaux Neuronaux Informés par la Physique (PINNs) ; et traitement des défis de généralisation en dehors de la distribution d'entraînement.
L'objectif est d'identifier quelles approches offrent un compromis précision-vitesse utilisable et où les surrogats ML ont échoué, nécessitant un retour aux solveurs complets.