Datengetriebene Materialgestaltung nutzt statistische Modelle, maschinelles Lernen und Hochdurchsatzmethoden, um aus experimentellen und simulativen Datensätzen Struktur-Eigenschafts-Beziehungen zu lernen und neue Werkstoffe zielgerichtet zu entwerfen. Sie umfasst Feature-Engineering, Unsicherheitsquantifizierung, inverse Designstrategien und autonome Labore und beschleunigt so die Identifikation optimaler Kompositionen, Mikrostrukturen und Prozessbedingungen.