一位工程仿真领域的从业者寻求关于部署机器学习代理模型以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经验。

讨论集中在四个关键领域：比较用于场预测的架构，如图神经网络、Fourier Neural Operators和MLPs；评估相似几何形状上的数据效率和迁移学习；评估Physics-Informed Neural Networks (PINNs)的实用性；以及解决训练分布之外的泛化挑战。

目标是确定哪些方法提供了可用的精度与速度权衡，以及ML代理模型在何处失败，从而需要回归到完整的求解器。