Bayesian inference ist ein statistischer Ansatz, der Vorwissen (Prior) mit experimentellen oder Simulationsdaten (Likelihood) kombiniert, um Posterior-Verteilungen von Modellparametern oder Hypothesen zu bestimmen. In der Werkstoffwissenschaft erlaubt er Unsicherheitsquantifizierung, inverse Parameteridentifikation, Modellkalibrierung und adaptive Versuchsplanung. Er wird mit Surrogatmodellen und Markov-Chain-Monte-Carlo-Methoden für komplexe, mehrskalenfähige Materialmodelle gekoppelt.