Mikrostruktur Vorhersage nutzt physikalische Modelle und datengetriebene Ansätze, um Gefügeentwicklung aus Zusammensetzung und Prozessparametern abzuleiten. Phasenfeld-, CALPHAD-gekoppelte und crystal-plasticity-Modelle beschreiben Keimbildung, Wachstum, Ausscheidungen und Textur. Maschinelles Lernen ergänzt diese, indem es komplexe Prozess-Mikrostruktur-Zusammenhänge aus Experiment- und Simulationsdaten erlernt und inverse Werkstoffentwicklung ermöglicht.