Praktisi teknik melaporkan bahwa jaringan saraf graf (GNN) dan MLP pada desain terparameterisasi menawarkan keseimbangan praktis terbaik untuk memprediksi bidang seperti suhu dan tegangan. Efisiensi data dapat dicapai dengan 10–50 sampel pelatihan, terutama ketika transfer learning diterapkan di seluruh geometri yang serupa. Jaringan saraf yang diinformasikan fisika (PINNs) tetap sebagian besar eksperimental untuk geometri teknik yang kompleks, dengan sebagian besar pengguna mengandalkan surrogate berbasis data. Generalisasi tetap menjadi tantangan utama, dengan model sering gagal pada kondisi batas di luar distribusi, memicu kembali ke menjalankan solver penuh.