Clustering bezeichnet in der werkstoffwissenschaftlichen Datenanalyse die unüberwachte Gruppierung von Beobachtungen (z.B. Spektren, Mikrostrukturbildern, Legierungszusammensetzungen) in Cluster, sodass innerhalb eines Clusters eine hohe Ähnlichkeit und zwischen Clustern eine hohe Unterschiedlichkeit besteht. Clustering ist damit ein zentrales Werkzeug zur Strukturierung großer, häufig hochdimensionaler Datensätze, wie sie etwa in der Hochdurchsatz-Experimentik, in der Elektronenmikroskopie oder in der spektroskopischen Charakterisierung auftreten.

Formal wird eine Menge von Datenpunkten im Merkmalsraum in Teilmengen zerlegt, basierend auf einer Distanz- oder Ähnlichkeitsmetrik. Klassische Verfahren sind k-Means-Clustering, das Cluster als ungefähr sphärische Regionen um Zentroiden modelliert, und hierarchische Verfahren, die eine baumartige Struktur von Untergruppen erzeugen. Spektralklustering nutzt die Eigenstruktur von Ähnlichkeitsgraphen, um nichtlineare Trennungen zu ermöglichen, was für komplexe Mikrostrukturen oder Phasenfelder vorteilhaft ist.

In der Werkstofftechnik wird Clustering u.a. zur automatisierten Phasensegmentierung in EDS/EELS- oder XRD-Daten, zur Identifikation von Domänen in EBSD-Orientierungskarten, zur Klassifikation von Korngruppen nach Textur oder Form sowie zur Erkennung von Lösungsclustern in Legierungen eingesetzt. Verfahren wie UMAP können zur dimensionsreduzierten Einbettung dienen, auf der anschließend eine UMAP-Clusterung durchgeführt wird.

Wesentliche Aspekte sind die Wahl geeigneter Merkmale, die Bestimmung der Clusteranzahl und die Validierung (z.B. Silhouettenkoeffizient, Stabilitätsanalysen). Für eine physikalisch sinnvolle Interpretation müssen die abstrakten Cluster stets mit werkstoffkundlichem Wissen über Phasen, Defekte und Mikrostruktur-Evolution verknüpft werden.