工学シミュレーションの実務者は、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に機械学習サロゲートを導入する際の実際の経験を探している。

議論は4つの主要な領域に焦点を当てている：場予測のためのグラフニューラルネットワーク、フーリエニューラル演算子、MLPなどのアーキテクチャの比較；類似幾何形状におけるデータ効率と転移学習の評価：物理情報ニューラルネットワーク（PINNs）の実用性の評価：トレーニング分布外の一般化課題への対処。

目標は、実用的な精度と速度のトレードオフを提供するアプローチを特定し、MLサロゲートが失敗し完全なソルバーへの復帰が必要となった箇所を見極めることである。