AI 在某些情况下可以应用于 CAE 仿真分析。例如，在胶囊网络的相关研究中，模型使用了诸如 PCAE 直接从图像中预测部分模版存在的概率和姿态，并试图通过重新排列部分模板重建原始图像；SCAE 使用 OCAE 预测一些物体胶囊的参数，并试图组织和发现部分和姿势为一组更小的对象，这对于重建图像十分重要。具体来说，将一幅图像分割成多个部分并非易事，所以研究者从抽象像素和部分发现阶段开始，提出了 CCAE（Constellation Capsule Autoencoder），它使用二维点作为部分，给出它们的坐标作为系统的输入。CCAE 学习将点集进行建模成为熟悉星座，每一个点都是由独立的相似变换来变形。CCAE 能在事先不知道星座的数量和形状的情况下学会给每个点分配对应的星座。之后还提出了 PCAE（Part Capsule Autoencoder），它学着从图像中推理出它的部分和姿势。最后，叠加 OCAE（Object Capsule Autoencoder），OCAE 与 CCAE 高度相似。在 CCAE 中，一组二维输入点首先对其进行编码到 K 个对象胶囊中，一个对象胶囊 k 包含着一个胶囊特征向量 ck，它的存在概率 ak 在 0 到 1 之间，然后还存在在一个 3x3 的对象-观察者关系矩阵，矩阵代表着对象和观察者之间的仿射矩阵。但需要注意的是，这只是 AI 在相关领域的部分应用，AI 在 CAE 仿真分析中的应用还处于不断发展和探索的阶段。
第一阶段，该模型使用PCAE直接从图像中预测部分模版存在的概率和姿态，并试图通过重新排列部分模板重建原始图像。第二阶段，SCAE使用OCAE预测一些物体胶囊的参数，并试图组织和发现部分和姿势为一组更小的对象，这对于重建图像十分重要。在这个模型中，由现成的神经编码器来实现推理过程，这点与以前的胶囊网络都不相同。其具体的原理如图11所示。图11.Stacked Capsule Autoencoders：(a)部分胶囊将分割输入为部分和姿态，这些姿势随后被放射变换的模板用来重建输入图像；(b)对象胶囊试图把推理出的姿态对应到物体，因此找出潜在的结构信息。具体来说，将一幅图像分割成多个部分并不是件容易的事，所以作者从抽象像素和部分发现阶段开始，提出CCAE（Constellation Capsule Autoencoder），它使用二维点作为部分，给出它们的坐标作为系统的输入。CCAE学习将点集进行建模成为熟悉星座，每一个点都是由独立的相似变换来变形。CCAE能在事先不知道星座的数量和形状的情况下学会给每个点分配对应的星座。之后作者还提出了PCAE（Part Capsule Autoencoder），它学着从图像中推理出它的部分和姿势。最后，叠加OCAE(Object Capsule Autoencoder)，OCAE与CCAE高度相似。在CCAE中，一组二维输入点如图12所示，首先对其进行编码到K个对象胶囊中，一个对象胶囊k包含着一个胶囊特征向量ck，它的存在概率ak在0到1之间，然后还存在在一个3x3的对象-观察者关系矩阵，矩阵代表着对象和观察者之间的仿射矩阵。图12.超过三个点的在不同位置，不同尺度和方向的无监督分割。