Neuronale Netzwerke sind rechnerische Modelle, die aus verknüpften künstlichen Neuronen bestehen und nichtlineare Eingabe-Ausgabe-Beziehungen approximieren. In den Materialwissenschaften werden sie zur Vorhersage von Phasendiagrammen, mechanischen Kennwerten, Gefügeentwicklung oder Prozessfenstern aus großen experimentellen und simulierten Datensätzen eingesetzt. Deep-Learning-Architekturen analysieren zudem mikroskopische Bilddaten für automatisierte Gefügeklassifikation und Defekterkennung.