一位用户分享了从物理模拟（如流体流动和结构场）生成训练数据集的计算成本经验。他强调，主要挑战不在于模型架构，而在于当每个样本的生产成本高昂时，构建大规模且多样化数据集的难度。
该帖子寻求社区对管理模拟数据的几个关键方面的意见：
- 针对昂贵案例的采样策略，包括拉丁超立方、主动学习和自适应采样。
- 网格或栅格上场数据的数据表示格式，如点云、体素网格、图或重采样的均匀数组。
- 对称性、旋转和叠加等增强技术，以及它们可能破坏底层物理规律的风险。
- 在主动学习中利用模型本身来决定下一步生成哪些新的昂贵样本。
作者特别关注处理“少量昂贵样本”这一范式的真实经验，而非标准的大数据假设。