Künstliche Intelligenz (KI) und maschinelles Lernen (ML) sind rasant wachsende Gebiete, die nahezu alle technologischen Aspekte der Gesellschaft betreffen und transformative Auswirkungen haben können. Auch in der Materialwissenschaft und Werkstofftechnik haben sie Einzug gehalten und erfreuen sich stetig wachsender Popularität.

Viele Datenwissenschaftler und Informatiker ohne den entsprechenden materialwissenschaftlichen Background oder werkstofftechnisches Know How preisen ML als Allheilmittel an. Die komplexen materialspezifischen Grundlagen, Fragestellungen und Herausforderungen werden jedoch weitestgehend ausgeblendet. Allerdings ist es nicht mehr ausreichend, nur Gefügeaufnahmen zu betrachten und diese in einen ML Algorithmus einzuspeisen. Stattdessen muss die ML-basierte Auswertung in einem ganzheitlichen Ansatz betrachtet werden, der auch alle Schritte hin zum Erhalten einer Gefügeaufnahme berücksichtigt, und in Bezug auf das ML einen besonderen Fokus auf die Zuordnung der Grundwahrheit legt. Dies erfordert explizite materialwissenschaftliche und werkstofftechnische Domänenexpertise. Durch die vorgestellte ganzheitliche Betrachtung – von der Definition der Fragestellung, Probenauswahl, metallographische Präparation über korrelative Mikroskopie bis zur Interpretation des Klassifizierungsergebnisses kann ML entweder zum Automatisieren vergleichsweise einfacher Fragestellungen genutzt werden, bei denen eine Zeitersparnis, Effizienzsteigerung oder Entlasten der Experten von mühsamen, wiederkehrenden Aufgaben im Vordergrund steht, oder aber um komplexere Auswertungen und Fragestellungen überhaupt erst zu ermöglichen.

Dieser Vortrag stellt einen ganzheitlichen Ansatz zur ML-basierten Gefügeanalyse vor, mit besonderem Fokus auf der Reproduzierbarkeit der Probenkontrastierung, korrelativen Mikroskopieansätzen und Methoden zur objektiven Zuordnung der Grundwahrheit. Als Anwendungsbeispiele werden die Segmentierung und Klassifizierung von Gefügen und Bruchflächen betrachtet.