Hybride Modellierung verknüpft physikbasierte Modelle, z. B. Kontinuums- oder Phasenfeldansätze, mit datengetriebenen Methoden wie neuronalen Netzen. In der Werkstoffwissenschaft dient sie dazu, komplexe Prozess-Mikrostruktur-Eigenschafts-Beziehungen effizient und robust abzubilden, Unsicherheiten zu quantifizieren und begrenzte Daten optimal zu nutzen. So können Modelle extrapolationsfähig bleiben und zugleich durch Lernkomponenten an reale Prozessdaten adaptiert werden.