一位工程仿真专业人士寻求关于使用机器学习代理来降低昂贵的计算流体动力学（CFD）和有限元分析（FEA）求解器运行成本的真实部署经验。

  • 架构：比较网格数据上的图神经网络、傅里叶神经算子、点云方法，以及用于预测温度和应力等场的MLP/CNN代理。
  • 数据效率：研究产生有用代理所需的最少训练样本数量，以及在相似几何形状间迁移学习的效用。
  • 物理信息方法：评估与数据驱动方法相比，物理信息神经网络（PINNs）在实际工程几何形状中是否实用。
  • 泛化能力：解决如何在训练分布之外的几何形状和边界条件下保持模型可信度的问题。

作者旨在确定哪些方法提供了可用的精度与速度权衡，以及机器学习代理在何处失效，从而需要回归到完整的求解器。