あるエンジニアリングシミュレーションの専門家は、高価な計算流体力学（CFD）および有限要素解析（FEA）ソルバーの実行コストを削減するための機械学習サロゲートの実際のデプロイメント経験を探しています。

  • アーキテクチャ: メッシュデータ上のグラフニューラルネットワーク、フーリエ神経演算子、ポイントクラウドアプローチ、温度や応力などのフィールドを予測するためのMLP/CNNサロゲートを比較。
  • データ効率: 有用なサロゲートに必要な最小限のトレーニングサンプル数と、類似した幾何形状間での転移学習の有用性を調査。
  • 物理情報アプローチ: データ駆動型手法と比較して、物理情報ニューラルネットワーク（PINNs）が実際のエンジニアリング幾何形状に対して実用的かどうかを評価。
  • 汎化: トレーニング分布外の幾何形状および境界条件において、モデルの信頼性をどのように維持するかに対応。

著者は、どのアプローチが使用可能な精度と速度のトレードオフを提供し、MLサロゲートがどこで失敗して完全なソルバーへの復帰が必要となるかを特定することを目指しています。