Neurale Netzwerke sind datengetriebene, nichtlineare Approximationsmodelle, die aus Schichten künstlicher Neuronen bestehen und durch Trainingsdaten parametrisiert werden. In der Werkstofftechnik dienen sie vor allem zur Modellierung komplexer Zusammenhänge zwischen Zusammensetzung, Mikrostruktur, Prozessparametern und resultierenden Eigenschaften.

Formal approximiert ein tiefes neuronales Netz eine Abbildung f: x → y, wobei x z.B. Legierungszusammensetzungen, Wärmebehandlungsparameter oder Gefügemerkmale (z.B. Korngrößenverteilungen) beschreibt und y mechanische, thermische oder funktionale Eigenschaften repräsentiert. Durch Backpropagation und Gradientenverfahren werden die Gewichte so angepasst, dass der Vorhersagefehler minimiert wird.

In der Werkstoffmodellierung werden neuronale Netzwerke u.a. eingesetzt für: (i) Vorhersage von Eigenschaftsdiagrammen (z.B. Spannungs-Dehnungs-Verläufe), (ii) inverses Design von Legierungen und Prozessen, (iii) Ersatz komplexer, rechenintensiver Modelle (Surrogatmodelle für Finite-Elemente- oder Phasendiagramm-Berechnungen) sowie (iv) Extraktion latenter Merkmale aus Bilddaten der Mikrostruktur (z.B. mittels Convolutional Neural Networks).

Wichtige Herausforderungen umfassen die Qualität und Repräsentativität der Trainingsdaten, die physikalische Plausibilität der Vorhersagen und die Interpretierbarkeit der Modelle. Aktuelle Entwicklungen fokussieren auf physikinformierte neuronale Netzwerke, bei denen Erhaltungssätze, Konstitutivgesetze oder Symmetrien explizit in die Netzwerkarchitektur oder Verlustfunktion integriert werden, um Generalisierbarkeit und Zuverlässigkeit für materialwissenschaftliche Anwendungen zu erhöhen.