Maschinelles Lernen bezeichnet eine Klasse algorithmischer Verfahren, bei denen Modelle aus Daten statistische Zusammenhänge selbstständig lernen, anstatt explizit programmiert zu werden. In der Werkstofftechnik wird ML entlang der gesamten Prozesskette eingesetzt: von der Legierungs- und Prozessparameterauslegung über die Mikrostruktursynthese bis zur Lebensdauer- und Zuverlässigkeitsprognose.

Zentrale Paradigmen sind das überwachte Lernen (z.B. Vorhersage von Fließspannung oder Bruchzähigkeit aus Zusammensetzung, Prozessparametern und Mikrostrukturmerkmalen), das unüberwachte Lernen (Clusteranalyse von Gefügeklassen in EBSD-, TEM- oder CT-Daten) sowie Reinforcement Learning (adaptive Prozessführung bei additiver Fertigung oder Wärmebehandlung).

Moderne tiefenlernbasierte Architekturen wie U-Net werden für die Segmentierung komplexer Mikrostrukturbilder eingesetzt, während Variational Autoencoder und generative Modelle (Generative KI) zur stochastischen Rekonstruktion und zum Design neuer Gefüge und Strukturen dienen. Bayesianisches Deep Learning ermöglicht dabei eine quantifizierte Unsicherheit, was für sicherheitsrelevante Anwendungen (z.B. Ermüdungs- und Bruchmechanik) essenziell ist.

Wesentliche Herausforderungen sind die begrenzte Datenverfügbarkeit, Heterogenität und Rauschen in Experiment- und Simulationsdaten, die Gewährleistung physikalischer Plausibilität (physics-informed ML) sowie die Interpretierbarkeit der Modelle. Zukünftige Entwicklungen zielen auf geschlossene Schleifen zwischen Simulation, Experiment und ML ab, um beschleunigte, datengestützte Werkstoffentwicklung und -qualifizierung zu ermöglichen.