एक इंजीनियरिंग सिमुलेशन पेशेवर महंगे कंप्यूटेशनल फ्लुइड डायनामिक्स (CFD) और फाइनाइट एलिमेंट एनालिसिस (FEA) सॉल्वर रन के खर्च को कम करने के लिए मशीन लर्निंग सर्फोगेट्स की वास्तविक दुनिया की तैनाती अनुभवों की तलाश कर रहा है।
- आर्किटेक्चर्स: मेश डेटा पर ग्राफ न्यूरल नेटवर्क्स, फूरियर न्यूरल ऑपरेटर्स, पॉइंट-क्लाउड दृष्टिकोणों, और तापमान और तनाव जैसे क्षेत्रों की भविष्यवाणी के लिए MLP/CNN सर्फोगेट्स की तुलना।
- डेटा दक्षता: उपयोगी सर्फोगेट्स के लिए आवश्यक न्यूनतम प्रशिक्षण नमूनों की संख्या और समान ज्यामितियों के बीच ट्रांसफर लर्निंग की उपयोगिता की जांच।
- भौतिकी-सूचित दृष्टिकोण: डेटा-ड्रिवन विधियों की तुलना में वास्तविक इंजीनियरिंग ज्यामितियों के लिए फिजिक्स-इनफॉर्म्ड न्यूरल नेटवर्क्स (PINNs) व्यावहारिक हैं या नहीं, इसका आकलन।
- सामान्यीकरण: प्रशिक्षण वितरण के बाहर ज्यामितियों और सीमा शर्तों पर मॉडल की विश्वसनीयता को बनाए रखने का समाधान।
लेखक उन दृष्टिकोणों की पहचान करना चाहता है जो उपयोग योग्य सटीकता-बनाम-गति व्यापार प्रदान करते हैं और जहां ML सर्फोगेट्स विफल हो जाते हैं, जिससे पूर्ण सॉल्वर पर वापसी की आवश्यकता होती है।