Der Einzug der Künstlichen Intelligenz (KI) und deren Teilgebiete des Machine und Deep Learning (ML/DL) in die Materialwissenschaften und Werkstofftechnik, sowie in unsere Domäne der Materialographie ist seit mehreren Jahren voll im Gange und hat sich verstetigt. Große Fortschritte ergaben sich insbesondere im Bereich der Bilderkennung, Gefüge- sowie Datenauswertung. Der Computer erledigt inzwischen viele Aufgaben der Bilderkennung mit einer höheren Genauigkeit, Reproduzierbarkeit, sowie Effizienz im Vergleich zu bewährten manuellen oder klassischen Herangehensweisen. Für diverse Fragestellungen, die bislang mit klassischen schwellwertbasierten Methoden in der Materialographie und quantitativen Gefügeanalyse nicht lösbar waren, gibt es mittlerweile sehr gute z.B. „supervised“ und „unsupervised“ Lösungsansätze mit KI. Auch bei der Vorhersage von Materialeigenschaften aus dem Gefüge liefern die Methoden des ML und DL schon überzeugende Ergebnisse.

Im Beitrag stellen wir die unterschiedlichen Methoden des Maschinellen Lernens in einem kurzen Überblick dar.
Wir zeigen, wie ML zur Verbesserung mikroskopischer Bilder beitragen kann. Dann werden verschiedene Fragestellungen der Materialographie behandelt: die Erkennung unterschiedlicher Phasen, die Analyse der Kornstruktur, sowie die Objekt- und Defekterkennung. Es werden auch Lösungsansätze aus benachbarten Domänen, z.B. zerstörender und zerstörungsfreier Untersuchungen von mikroelektronischen Komponenten vorgestellt. Nichtsdestotrotz gibt es immer noch Hinderungsgründe, die dem breiteren Einsatz von künstlicher Intelligenz entgegenstehen. Zum einen sind dies weiterhin hohe Lern- und Trainingsaufwände, teilweise Unkenntnis zum Einfluss der Datenqualität, aber auch die Usability für Anwender. Auch dies wollen wir im Beitrag adressieren, diskutieren und teilweise Lösungsansätze aufzeigen.