研究人員已經開始探索使用ML在高性能計算方面提供持續改進的可能，以解決偏微分方程和科學計算中的困難計算問題。他們發現，ML可以用來學習在更粗的網格上更好地表示PDEs。

他們能夠改進現有的方案，用基于機器學習的優化規則取代基于人類深刻洞察力的啟發式。根據他們的說法，他們在ML模型中發現的規則是復雜的，他們并不完全理解這些規則，但是他們集成了復雜的物理原理，比如“上卷”的概念。為了精確地模擬流體中向你吹來的東西，你應該順著風吹來的方向向上看。下面是他們在一個簡單的流體動力學模型上的結果的一個例子。

本研究的重點是提高技術，以解決更大規模的模擬現實世界的科學計算問題，如天氣和氣候預測。

研究人員還展示了一種將機器學習和物理有效結合起來的方法。神經網絡可以與傳統模擬方法中的組件相結合，從而在復雜的高維空間中學習插值的最優規則，而不是從零開始學習物理。

通過這樣的研究，我們可以期待更多的增強工程系統、自然現象仿真、知識發現、可視化數據處理以及更好的優化手段。