Künstliche neuronale Netze sind datengetriebene Modelle aus verknüpften künstlichen Neuronen, die nichtlineare Abbildungen zwischen Eingabe- und Ausgabegrößen lernen. In den Materialwissenschaften dienen sie zur Vorhersage von Phasen, Eigenschaften und Prozessfenstern auf Basis von Zusammensetzung, Mikrostruktur und Prozessparametern. Tiefe Architekturen ermöglichen die Extraktion komplexer Merkmale etwa aus Gefügebildern oder Spektren.