Künstliche Intelligenz (KI) bezeichnet algorithmische Verfahren, die Aufgaben mit kognitiven Anteilen – etwa Mustererkennung, Entscheidungsfindung oder Optimierung – ausführen. Unter AI/AI-Systemen (AIS) werden hierbei konkret implementierte Softwaresysteme verstanden, die Methoden des maschinellen Lernens, des Deep Learning oder symbolischer KI zur Lösung technischer Problemstellungen einsetzen.

In der Werkstoffforschung werden KI-Systeme entlang des gesamten Entwicklungszyklus genutzt: von der automatisierten Auswertung hochdimensionaler Mess- und Simulationsdaten über die Vorhersage von Eigenschaftsprofilen bis hin zur inversen Auslegung neuer Legierungs- und Mikrostrukturkonzepte. Typische Anwendungsfelder umfassen Struktur–Eigenschafts-Korrelationen, virtuelle Hochdurchsatz-Screenings, Prozessfensteroptimierung sowie adaptive Versuchsplanung (Active Learning).

Wesentliche Anforderungen an KI-Systeme in diesem Kontext sind Erklärbarkeit und Vertrauenswürdigkeit. Erklärbare KI (XAI) zielt darauf, Entscheidungen und Modellvorhersagen durch Sensitivitätsanalysen, Feature-Attribution oder surrogate Modelle nachvollziehbar zu machen. Vertrauenswürdige KI adressiert daneben Robustheit gegenüber Rauschen und Verteilungsverschiebungen, Validierbarkeit, Fairness (z.B. gegenüber unterrepräsentierten Materialklassen) und die Einhaltung regulatorischer Rahmenbedingungen.

Für den produktiven Einsatz ist eine enge Kopplung von domänenspezifischem Wissen mit datengetriebenen Ansätzen entscheidend. Hybride, physikinformierte Modelle (Physics-Informed Learning) und die Integration materialspezifischer Constraints helfen, Generalisierbarkeit zu erhöhen und unphysikalische Artefakte zu vermeiden. Langfristig wird der Erfolg von AI-Systemen in der Werkstofftechnik maßgeblich von standardisierten Datenformaten, qualitätsgesicherten Datenräumen und transparenten Evaluierungsprotokollen abhängen.