Um profissional em simulação de engenharia busca experiências do mundo real sobre a implantação de substitutos de aprendizado de máquina para reduzir o custo de execuções caras de solucionadores de Dinâmica dos Fluidos Computacional (CFD) e Análise de Elementos Finitos (FEA).
A discussão foca em quatro áreas-chave: comparar arquiteturas como redes neurais gráficas, Fourier Neural Operators e MLPs para previsão de campos; avaliar a eficiência de dados e aprendizado por transferência entre geometrias semelhantes; avaliar a praticidade das Redes Neurais Informadas pela Física (PINNs); e abordar desafios de generalização fora da distribuição de treinamento.
O objetivo é identificar quais abordagens fornecem uma troca utilizável entre precisão e velocidade, e onde os substitutos de ML falharam, exigindo um retorno aos solucionadores completos.