Künstliche Intelligenz (KI) bezeichnet algorithmische Verfahren, die Aufgaben wie Erkennen, Prognostizieren oder Optimieren ausführen, für die traditionell menschliche Expertise erforderlich wäre. In der Werkstofftechnik wird KI zunehmend entlang der gesamten Wertschöpfungskette eingesetzt: von der Werkstoffentdeckung über die Prozessführung bis zur Zustandsüberwachung im Einsatz.

Zentral sind datengetriebene Modelle, insbesondere Machine Learning-Verfahren wie Random Forests, Gradient Boosting und tiefe neuronale Netze. Diese Modelle erfassen nichtlineare Zusammenhänge zwischen Zusammensetzung, Prozessparametern, Mikrostruktur und resultierenden Eigenschaften (z. B. Festigkeit, Zähigkeit, Korrosionsbeständigkeit), ohne dass alle Mechanismen explizit formuliert werden müssen.

Ein wichtiger Anwendungsbereich ist die Beschleunigung des „Materials Genome“-Ansatzes: KI-Modelle verknüpfen Hochdurchsatz-Experimente und -Simulationen (DFT, CALPHAD, Phasenfeld) und ermöglichen die schnelle Vorauswahl vielversprechender Legierungssysteme oder Prozessfenster. In der Fertigung (z. B. Additive Fertigung, Wärmebehandlung, Umformung) werden KI-gestützte Modelle zur Prozessüberwachung, prädiktiven Qualitätsvorhersage und adaptiven Regelung eingesetzt.

Generative KI erweitert dies um Modelle, die neue Kandidaten erzeugen, etwa chemische Zusammensetzungen, Mikrostrukturkonfigurationen oder Prozessrouten, die vorgegebene Zielgrößen optimieren. Hier kommen Variational Autoencoder, Generative Adversarial Networks oder sequenzbasierte Modelle zum Einsatz.

Für wissenschaftlich belastbare Anwendungen sind saubere Datensätze, Unsicherheitsquantifizierung, interpretierbare Modellierung sowie die physikalische Konsistenz (z. B. Einhaltung von Erhaltungssätzen und Phasendiagrammen) essenziell. Langfristig wird KI als integraler Bestandteil geschlossener, autonomer Material- und Prozessentwicklungssysteme gesehen.