Deep-Learning-Modelle sind mehrschichtige neuronale Netze, die nichtlineare Abbildungen aus großen Datenmengen lernen. In den Materialwissenschaften dienen sie zur Vorhersage von Werkstoffeigenschaften, Gefügemorphologien und Prozessfenstern sowie zur Auswertung von Mikroskopie- und Spektrendaten. Architekturen wie CNNs, RNNs oder Graph-Netze erfassen räumliche, zeitliche und topologische Korrelationen, können aber Interpretierbarkeit und physikalische Konsistenz vermissen lassen.