A repülőgépet, vízvezetéket és vízzel, levegővel interakcióba lépő más tárgyakat tervező mérnökök numerikus szimulációkkal tesztelik a lehetséges formákat, terveik javításához viszont a nem mindig megbízható próba-hiba módszert használják.
Neurális (idegháló-alapú) szimulátor azonban magát a formát is optimalizálhatja.
A Google-hoz tartozó londoni DeepMind kutatói „differenciált tanult szimulátorokat”, fizikai folyamatok szimulálását megtanuló ideghálókat fejlesztettek, hogy segítsenek a folyadékokat speciális módon „becsatornázó” felületek tervezésében.
Bizonyos fizikai tulajdonságokkal rendelkező tárgyak tervezésének népszerű módja a numerikus szimulátorok használata: tervek versenyeztetése, tulajdonságaik tesztelése, a legjobb megtartása, véletlenszerű megváltoztatása, aztán jöhetnek az újabb változtatások.
A DeepMind megoldása gyorsabb és nem véletlenszerű, nincs benne esetlegesség: megadott paraméterekkel két- vagy háromdimenziós hálóként határozzuk meg a tárgy formáját, és egy megkülönböztető modell kiszámolja, hogyan változzon meg a legjobb teljesítményhez. Az információk alapján a forma tökéletesíthető.
A víz és a levegő részecske-rendszerekként modellálható. A kutatók gráfszerű ideghálókat gyakoroltattak, hogy reprodukálják egy előre elkészített szimulátor outputjait. A hálókat a részecskék különféle formák körüli áramlásának a szimulálására tanították be. A megelőző állapot alapján kellett a következőt előrejelezniük. Csomópontjaik részecskéket jelenítettek meg, a részecskéket az éleik kötötték össze.
Az ideghálók jobban teljesítettek, mint az előzetesen elkészített szimulátor. Hármat treníroztak, az egyik két-, a másik háromdimenziós vízi, a harmadik aerodinamikai közegben mérettetett meg.
Ideghálók számításintenzív fizikai szimulátor outputjának utánzására történő tanítása nem szokatlan, nem is új. Ugyanezeknek a hálóknak szimuláció futtatása helyett az inputnak a szimuláció outputjára „rímelő” optimalizálására való alkalmazása viszont az.