In den Materialwissenschaften bezeichnet der Begriff Fingerprint ein charakteristisches, meist hochdimensionales Merkmalsmuster, das ein Material eindeutig oder mit hoher Wahrscheinlichkeit identifizierbar macht. Solche Fingerprints können auf verschiedenen Skalen definiert werden, von der elektronischen Struktur über die Mikrostruktur bis zur chemischen Zusammensetzung.

Ein zentraler Ansatz ist der mikrostrukturelle Fingerabdruck. Hierbei werden statistische Beschreibungen von Korngrößen, Phasenverteilungen, Textur, Porosität oder Defektdichte zu einem Merkmalsvektor zusammengefasst, der den Zustand eines Werkstoffs (z.B. nach Wärmebehandlung oder Verformung) repräsentiert. Moderne bildgebende Verfahren (EBSD, 3D-µCT, TEM) liefern dafür die Datenbasis.

Der Spurenelementfingerabdruck nutzt gering konzentrierte Legierungs- oder Verunreinigungselemente, deren relative Häufigkeiten eine Herkunfts- und Prozesssignatur bilden. Mittels Techniken wie ICP‑MS oder LA‑ICP‑MS kann so beispielsweise die Produktioncharge oder die geologische Herkunft eines Metalls rückverfolgt werden.

Attentive Fingerabdrücke entstehen vor allem im Kontext datengetriebener Methoden. Maschinelle Lernverfahren mit Aufmerksamkeitsmechanismen (attention) extrahieren aus Spektren, Mikrostrukturaufnahmen oder Prozessdaten gewichtete Merkmalsrepräsentationen, die als Fingerprint für Vorhersagen (z.B. Festigkeit, Lebensdauer) dienen.

Wesentlich für alle Fingerprint-Konzepte sind Reproduzierbarkeit, Sensitivität gegenüber relevanten, aber Robustheit gegenüber irrelevanten Variationen sowie eine wohldefinierte Metrik zur Ähnlichkeitsbewertung. Damit werden Fingerprints zu einem zentralen Werkzeug für inverse Werkstoffsuche, Qualitätskontrolle, Herkunftsanalytik und die Kopplung von Experiment, Simulation und KI-Modellen.