Matching bezeichnet in den Ingenieur- und Datenwissenschaften den formalen Prozess, Elemente zweier (oder mehrerer) Mengen so einander zuzuordnen, dass ein wohldefinierter Ähnlichkeits‑ oder Kostenfunktional optimal erfüllt wird. In der Materialwissenschaft tritt Matching vor allem in datengetriebenen Ansätzen, in der Mikrostruktur- und Bildanalyse sowie bei der Struktur‑Eigenschafts‑Korrelation auf.

Grundlage ist die Definition eines Merkmalsraums und einer Metrik. Beim Template Matching werden z.B. Muster (Templates) – etwa Referenz-Mikrostrukturen oder Phasenmorphologien in REM- oder TEM-Bildern – mit Messdaten verglichen, um lokale Übereinstimmungen zu lokalisieren. Hier erfolgt das Matching typischerweise über Korrelationsmaße, Distanzmetriken oder lernbasierte Ähnlichkeitsfunktionen.

Unter Mediatoranpassung und Matrixanpassung lassen sich Matching-Probleme formulieren, bei denen Zwischenrepräsentationen (Mediator) oder lineare Abbildungen (Matrix) gesucht werden, die zwei Domänen – etwa experimentelle und simulierte Datensätze – optimal in Deckung bringen. Dies ist zentral bei der Kalibrierung von Materialmodellen, der Inversions-basierten Parameteridentifikation und der Domänenadaption in maschinellen Lernverfahren.

Lexikalische und vektorbasierte Zuordnung beschreibt zwei Extrempunkte der Repräsentation: lexikalisch (diskrete Symbole, z.B. Phasenklassen, Textlabels in Werkstoffdatenbanken) versus vektorbasiert (kontinuierliche Einbettungen, z.B. Feature-Vektoren aus Bild- oder Spektralanalyse). Moderne Matching-Ansätze in der Werkstoffinformatik nutzen überwiegend vektorbasierte Repräsentationen und optimieren das Matching durch metrisches Lernen oder Optimal-Transport-Formulierungen.

Wesentliche Qualitätskriterien von Matching-Verfahren sind Robustheit gegenüber Rauschen und Messfehlern, Invarianz gegenüber physikalisch irrelevanten Transformationen (z.B. Translation, Rotation im Bildraum) sowie die physikalische Interpretierbarkeit der Ähnlichkeitsmaße.