Veel toepassingen vragen om een niet voor de hand liggende interpretatie van (gemeten) data. Wanneer fysische modellen ontbreken, of als berekeningen te duur worden, kan een data-driven model worden ontwikkeld. Voorwaarde is wel dat er voldoende data beschikbaar is. Deze benadering is geschikt voor Digital Twin, maar kan ook worden toegepast op CFD, kalibratie van opnemers of op simulaties van (menselijk) gedrag.

Het zoeken naar optimale ontwerpparameters kan erg kostbaar zijn, wanneer met volledige simulaties wordt gewerkt. Om dit te ondervangen, worden zogenaamde surrogaten gebruikt die over het zoekdomein worden geïnterpoleerd . Hiermee kan een bijna optimale oplossing gevonden worden tegen lage kosten. Met slechts een paar extra simulaties wordt de optimalisatie dan afgerond. In enkele gevallen is deze interpolatie echter complexer dan het gebruik van oorspronkelijke surrogaten. MARIN onderzoekt het gebruik van machine learning voor dit probleem met specifieke aandacht voor het correct toepassen van de fysica en het minimaliseren van het aantal simulaties.

Indien in een interactieve omgeving acties worden gekozen, dan zullen machine learning of optimalisatie worden uitgebreid met voorspelling van langetermijnresultaten. Zowel de gekozen acties als de reactie van de omgeving hierop, zijn van invloed op het resultaat. De invloed van de omgeving kan niet-deterministisch zijn. Dit vereist een goede inschatting van toekomstige acties, die maar gedeeltelijk gebaseerd is op de gekozen acties.

Optimalisatie van de zogenaamde policy waarmee de acties worden bepaald, kan worden gedaan met Reinforcement Learning. Dit is een verzameling van technieken om het algemene gedrag te optimaliseren, samen met het gedrag in voorbijkomende situaties. Toepassingen variëren van directe aansturing van actuatoren tot route planning en het vermijden van aanvaringen.