Lernmethoden bezeichnen systematische Verfahren, mit denen Modelle aus Daten Strukturen, Zusammenhänge oder Entscheidungsregeln ableiten. In der werkstoffwissenschaftlichen Informatik umfassen sie insbesondere statistische Lernverfahren und Methoden des maschinellen Lernens, die Struktur‑Eigenschafts‑Beziehungen, Prozess‑Struktur‑Eigenschafts‑Ketten oder Versagenswahrscheinlichkeiten aus Experiment, Simulation und Hochdurchsatz-Screening erschließen.

Grundlegend wird zwischen überwachtem Lernen (z. B. Regression für Vorhersage von Fließspannung, Klassifikation für Phasenstabilität), unüberwachtem Lernen (z. B. Clustering von Mikrostrukturen, Dimensionsreduktion komplexer Diffractionsdaten) und bestärkendem Lernen (Optimierung von Prozessparametern in iterativen Versuchsreihen) unterschieden. Weitere wichtige Kategorien sind halbüberwachtes Lernen, Transferlernen und aktive Lernmethoden, die speziell im Kontext teurer Experimente eingesetzt werden.

Für werkstoffwissenschaftliche Anwendungen sind die Wahl geeigneter Deskriptoren (z. B. kompositorische, mikrostrukturelle und prozessbezogene Merkmale), Modellkomplexität, Regularisierung sowie Unsicherheitsquantifizierung zentral. Bayesianische Lernmethoden und Ensembleverfahren ermöglichen Konfidenzabschätzungen und sind damit für autonomes Experimentdesign und geschlossene Regelkreise ("closed-loop materials discovery") besonders relevant.

Die Qualität der Lernmethoden hängt entscheidend von Datenrepräsentation, Datenqualität und Validierungsstrategien (Cross-Validation, unabhängige Testdatensätze) ab. Für den zuverlässigen Einsatz in sicherheitskritischen Anwendungen (z. B. Strukturwerkstoffe) gewinnt die Interpretierbarkeit von Modellen (z. B. feature importance, surrogate models) zunehmend an Bedeutung.