Der stochastische Gradientenabstieg ist ein iterativer Optimierungsalgorithmus, der Fehlerfunktionen durch zufällige Datenuntergruppen minimiert. In der Werkstoffwissenschaft findet er Anwendung bei der Modellierung komplexer Materialverhalten und in maschinellen Lernverfahren zur Analyse großer Datensätze aus experimentellen Messungen.