एक उपयोगकर्ता भौतिक सिमुलेशन (जैसे तरल प्रवाह और संरचनात्मक क्षेत्र) से प्रशिक्षण डेटासेट उत्पन्न करने की गणनात्मक लागत के अपने अनुभव साझा करता है। वह इस बात पर जोर देता है कि मुख्य चुनौती मॉडल आर्किटेक्चर नहीं, बल्कि एक बड़े और विविध डेटासेट बनाने की कठिनाई है जब प्रत्येक नमूना बनाना महंगा है।
पोस्ट सिमुलेशन डेटा के प्रबंधन के कई प्रमुख पहलुओं पर समुदाय की राय चाहता है:
- महंगे मामलों के लिए सैंपलिंग रणनीतियाँ, जिसमें लैटिन हाइपरक्यूब, एक्टिव लर्निंग और एडाप्टिव सैंपलिंग शामिल हैं।
- मेश या ग्रिड पर क्षेत्र डेटा के लिए डेटा प्रतिनिधित्व प्रारूप, जैसे पॉइंट क्लाउड्स, वॉक्सेल ग्रिड, ग्राफ़ या पुनः सैंपल किए गए समान अरे।
- सममिति, रोटेशन और सुपरपोजिशन जैसे एगमेंटेशन तकनीकें, और उनकी संभावित भौतिकी को तोड़ने की क्षमता।
- सक्रिय शिक्षण में नए महंगे नमूनों को अगले कौन से उत्पन्न करना है, यह तय करने के लिए स्वयं मॉडल का उपयोग।
लेखक विशेष रूप से मानक बिग-डेटा धारणाओं के बजाय "कुछ महंगे नमूनों" की स्थिति को संभालने वाले वास्तविक अनुभवों में रुचि रखता है।