Erklärbare KI in der Werkstoffwissenschaft umfasst Methoden, die Vorhersagen komplexer Modelle (z.B. tiefe neuronale Netze) zu Struktur-Eigenschafts-Beziehungen transparent machen. Techniken wie Feature-Attribution, Surrogatmodelle oder prototypbasierte Ansätze identifizieren relevante Mikrostrukturmerkmale und Prozessparameter. Dies unterstützt kausales Verständnis, Modellvalidierung und das zielgerichtete Design neuer Werkstoffe bei hoher Datendimensionalität.