Maschinelles Lernpotenzial beschreibt das Ausmaß, in dem werkstoffwissenschaftliche Aufgaben durch lernbasierte Modelle unterstützt oder verbessert werden können. Es hängt von Datenverfügbarkeit und -qualität, zugrundeliegender Physik, Rauschanteil und Komplexität der Zusammenhänge ab. Hoher Nutzen besteht z. B. bei Eigenschaftsvorhersage aus Zusammensetzung und Prozessparametern, Mikrostrukturanalyse und inverse Designprobleme.