इंजीनियरिंग पेशेवरों की रिपोर्ट के अनुसार, पैरामीटराइज्ड डिज़ाइन पर ग्राफ न्यूरल नेटवर्क्स और MLPs तापमान और तनाव जैसे क्षेत्रों की भविष्यवाणी करने के लिए सर्वोत्तम व्यावहारिक संतुलन प्रदान करते हैं। 10–50 प्रशिक्षण नमूनों के साथ डेटा दक्षता प्राप्त की जा सकती है, विशेष रूप से जब समान ज्यामितियों के पार ट्रांसफर लर्निंग लागू किया जाता है। जटिल इंजीनियरिंग ज्यामितियों के लिए भौतिक-सूचित न्यूरल नेटवर्क्स (PINNs) अभी भी मुख्य रूप से प्रयोगात्मक हैं, अधिकांश उपयोगकर्ता डेटा-ड्रिवन सर्फोगेट पर निर्भर हैं। सामान्यीकरण एक प्रमुख चुनौती बना हुआ है, मॉडल अक्सर आउट-ऑफ-डिस्ट्रीब्यूशन बाउंड्री कंडीशन्स पर विफल हो जाते हैं, जिसके परिणामस्वरूप पूर्ण सॉल्वर रन की ओर वापसी हुई है।