Physik-augmentierte neuronale Netzwerke integrieren physikalisches Vorwissen in datengetriebene Modelle, etwa durch physikbasierte Verlustterme, Nebenbedingungen oder eingebettete Bestandteile von Materialgesetzen und Erhaltungsgleichungen. In den Materialwissenschaften erlauben sie konsistente Vorhersagen von Spannungs-Dehnungs-Antworten, Diffusion oder Gefügeentwicklung auch bei knappen Daten und verbessern Generalisierbarkeit, Plausibilität und Interpretierbarkeit der Modelle.