Lernen bezeichnet in datengetützten Werkstoffwissenschaften den systematischen Prozess, mittels dem Modelle aus vorhandenen Daten Strukturen, Zusammenhänge und Vorhersageregeln extrahieren. Dabei wird zwischen menschlichem, organisationsbezogenem und maschinellem Lernen unterschieden; in der Werkstoffforschung steht heute vor allem das maschinelle Lernen (ML) und Deep Learning im Fokus.

Maschinelles Lernen umfasst Algorithmen, die aus experimentellen oder simulierten Daten – etwa Spannungs‑Dehnungs‑Kurven, Gefügebildern oder DFT‑Datensätzen – Modelle für Eigenschaften, Phasengrenzen oder Lebensdauern ableiten. Deep‑Learning‑Verfahren, insbesondere konvolutionale neuronale Netze, werden z.B. für die automatisierte Mikrostrukturanalyse oder Defekterkennung in Bilddaten eingesetzt. Unüberwachtes Lernen dient zur Strukturerkennung und Clustering, etwa zur Klassifikation von Gefügetypen ohne explizite Labels.

Spezifische Lernparadigmen wie aktives Lernen optimieren die Auswahl neuer Experimente oder Simulationen, um mit minimalem Aufwand maximale Informationsgewinne zu erzielen. Transferlernen erlaubt, auf einem Werkstoffsystem trainierte Modelle auf verwandte Legierungssysteme zu übertragen und so Datenknappheit zu kompensieren. Verstärkendes Lernen wird zur Prozessoptimierung (z.B. Wärmebehandlungsrouten) eingesetzt.

Der im industriellen Kontext gebräuchliche Begriff „Learnings“ bezeichnet die aus solchen Lernprozessen abgeleiteten, verallgemeinerbaren Erkenntnisse: robuste Designregeln, Prozessfenster oder Modellgrenzen, die in zukünftige Experimente, Simulationen und digitale Zwillinge einfließen. Für eine stringente wissenschaftliche Kommunikation sollte dieser Begriff jedoch präziser durch „Erkenntnisse“, „Schlussfolgerungen“ oder „abgeleitete Designregeln“ ersetzt werden.