Datengetriebene Modelle nutzen statistische und maschinelle Lernverfahren, um aus experimentellen oder simulativen Daten Zusammenhänge zwischen Zusammensetzung, Prozessparametern, Mikrostruktur und Eigenschaften zu lernen. Sie ermöglichen Vorhersage, Optimierung und umgekehrtes Design von Werkstoffen, oft in Kombination mit physikbasierten Modellen (Hybrid- oder Physik-informierte KI), und sind zentral für Materials Informatics.