Neuronale Netzwerke sind datengetriebene Modelle aus miteinander verbundenen künstlichen Neuronen, die nichtlineare Zusammenhänge approximieren. In den Materialwissenschaften dienen sie zur Vorhersage von Werkstoffeigenschaften, Gefügemorphologien und Prozessfenstern aus Hochdurchsatzdaten. Sie unterstützen inverse Werkstoff- und Prozessauslegung, Mustererkennung in Mikrostrukturbildern (z.B. Segmentierung) sowie surrogate Modelle für numerisch aufwendige Mehrskalen-Simulationen.