Neuronale Netzwerkmodellierung nutzt künstliche neuronale Netze zur Abbildung komplexer, nichtlinearer Zusammenhänge zwischen Prozessparametern, Zusammensetzung, Mikrostruktur und Eigenschaften. In der Werkstoffwissenschaft werden vorwärtsgerichtete und rekurrente Architekturen sowie Graph‑ und Convolutional‑Netze eingesetzt, um Phasendiagramme zu approximieren, Gefüge‑Eigenschafts‑Beziehungen zu lernen, inverse Werkstoffauslegung zu betreiben und Prozessfenster zu optimieren.