Nature Machine Intelligence berichtete über die Arbeit «Lagrangian–Eulerian learning of flow field and trajectories with TrajectoryFlowNet». Im Titel wird das Lernen von Strömungsfeld und Trajektorien in einem einzigen Ansatz angekündigt.

Das Problem, das in der publisher's annotation beschrieben wird, bezieht sich auf die Vorhersage des Transports von Teilchen in komplexen Strömungen. Traditionelle Methoden basieren auf der Lösung der Navier–Stokes-Gleichungen, und numerische sowie experimentelle Ansätze erfordern tiefes physikalisches Wissen und erhebliche Rechenressourcen.

Nach derselben Annotation kämpfen bestehende Verfahren des maschinellen Lernens damit, langfristige Trajektorien bei spärlichen Daten zu verallgemeinern. Die verfügbare Quelle nennt nicht, inwieweit TrajectoryFlowNet diese Methoden übertrifft und in welchen Szenarien die Tests stattfanden.