エンジニアリングの実務者は、パラメータ化された設計上のグラフニューラルネットワークとMLPが、温度や応力などのフィールドを予測するための最適な実用的なバランスを提供すると報告しています。データ効率性は、10〜50個のトレーニングサンプルで達成可能であり、特に類似した幾何形状間で転移学習を適用する場合に顕著です。物理情報ニューラルネットワーク（PINNs）は複雑なエンジニアリング幾何形状に対して主に実験的な段階に留まっており、多くのユーザーはデータ駆動型のサロゲートモデルに依存しています。一般化は主要な課題であり、モデルは分布外境界条件でしばしば失敗し、完全なソルバー実行への回帰を促しています。