Ein datengetriebenes Modell nutzt statistische und maschinelle Lernverfahren, um Zusammenhänge zwischen Eingangs- und Ausgangsgrößen direkt aus Experimenten oder Simulationen zu extrahieren. In der Werkstoffwissenschaft dient es zur Vorhersage von Phasen, Mikrostrukturen und Eigenschaften, zur Beschleunigung von Prozesssimulationen und zur Unterstützung von Legierungs- und Prozessoptimierung.