案例 1：測試新型 ML 算法的功效
ML 研究人員可以利用模擬模型作為引擎來創建乾淨、無噪聲、無限制的標記數據，以測試新型 ML 算法的功效。
案例 2：使用額外的合成（模擬）資料增強現實世界的資料
經過適當驗證和驗證的模擬模型可用于生成相關資料，用於訓練需要大量資料的 ML 模型，尤其是深度學習模型。
案例 3：在投資收集真實資料之前的概念驗證 ML 解決方案
對於任何考慮未來證明其機器學習策略的企業來說，投資於擴展和加速資料收集的機制是一個重大決定——任何失誤都可能危及其未來以資料為中心的解決方案的可行性。部分困境是，在使用資料之前，如何正確選擇收集資料的相關性、類型、來源和速度！從模擬生成的合成資料可以說明資料科學家在投資于資料收集方法和技術之前使用概念驗證 ML 模型測試他們的假設。
案例 4：使用 ML 模型逼近模擬模型
元模型是模擬模型本身的更簡單表示或替代品，可以通過在模擬模型的輸入和輸出上訓練 ML 模型來開發。這對於模擬實驗結果的分析是一個計算成本非常高的過程的場景非常有用。ML
模型，尤其是深度學習模型，在捕捉非線性動態系統的本質方面表現出了很大的潛力。生成的元模型可用于需要探索大量搜索空間的所有類型的實驗。
案例 5：在邊緣設備上部署近似類比（經過訓練的 ML 模型）
從模擬模型開發的 ML 元模型可以用作模擬的羽量級和便攜版本。通過這樣做，它可以有效地部署在越來越多的
AI 部署平臺上，包括邊緣設備。這種方法提供了一種實用的方法，可以在為 AI 解決方案構建的部署基礎設施的支援下部署模擬模型。
