इंजीनियरिंग सिमुलेशन में एक पेशेवर महंगे Computational Fluid Dynamics (CFD) और Finite Element Analysis (FEA) सॉल्वर रनों के खर्च को कम करने के लिए मशीन लर्निंग प्रतिस्थापन मॉडल के तैनाती के बारे में वास्तविक दुनिया के अनुभव की तलाश कर रहा है।
चर्चा चार प्रमुख क्षेत्रों पर केंद्रित है: फील्ड भविष्यवाणी के लिए ग्राफ न्यूरल नेटवर्क्स, Fourier Neural Operators और MLPs जैसे आर्किटेक्चर्स की तुलना करना; समान ज्यामिति के बीच डेटा दक्षता और ट्रांसफर लर्निंग का मूल्यांकन करना; Physics-Informed Neural Networks (PINNs) की व्यावहारिकता का आकलन करना; और प्रशिक्षण वितरण के बाहर सामान्यीकरण चुनौतियों को संबोधित करना।
लक्ष्य यह पहचानना है कि कौन से दृष्टिकोण उपयोग योग्य सटीकता-बनाम-गति समझौता प्रदान करते हैं और ML प्रतिस्थापन कहाँ विफल रहे, जिसके परिणामस्वरूप पूर्ण सॉल्वर पर वापसी की आवश्यकता होती है।