Zespół naukowców stworzył neural-operator surrogates - czyli modele neuronowe działające jako zamienniki - do symulacji hydrodynamicznych przepływów wokół pływających organizmów. Zamiast wykonywać kosztowne obliczeniowo pełne symulacje sprzężone między deformującym się pływakiem a otaczającym go płynem, model uczy się przewidywać pola prędkości, wirowości i ciśnienia w ułamku czasu.
Model dla sytuacji 2D sprawdził się wyjątkowo dobrze - przy testowaniu na nowych trajektoriach o wysokich liczbach Reynoldsa (mierzing turbulencję) osiągnął globalny błąd względny L2 na poziomie 3,51 procent. Wersja 3D jest bardziej skomplikowana i używa trzech oddzielnych modeli: jeden przewiduje trójwymiarową prędkość z błędem 3,44 procent, drugi wirowość z błędem 5,58 procent, ale trzeci dla ciśnienia ma błąd 19,2 procent - co wskazuje na obszar wymagający dofinansowania rozwojowego.
To jest przełom dla inżynierii i badań - zamiast czekać godziny na wyniki symulacji ruchu pływaka czy robota hydromeduzowego, naukowcy mogą teraz szybko testować setki wariantów geometrii i parametrów. Jednak zespół zaznacza, że dokładność predykcji ciśnienia i spójność fizyczna modelu wymagają jeszcze pracy zanim system będzie w pełni gotów do praktycznych zastosowań inżynieryjnych.