Umfasst die Vorhersage von Werkstoffeigenschaften aus Zusammensetzung, Struktur und Prozesshistorie mittels physikalischer Modelle, Statistik und maschinellem Lernen. Eingesetzt werden z.B. DFT, Phasenfeldmethoden, Finite-Elemente-Analysen sowie datengetriebene Regressions- und Deep-Learning-Modelle. Ziel ist die quantitative Abschätzung mechanischer, thermischer, elektrischer oder chemischer Eigenschaften inklusive Unsicherheitsbewertung zur Beschleunigung von Werkstoffentwicklung und -qualifizierung.