Tiefe neuronale Netzwerke sind künstliche neuronale Netze mit vielen verborgenen Schichten, die hochdimensionale, nichtlineare Zusammenhänge in Werkstoffdaten erfassen. Sie werden zur Struktur-Eigenschafts-Vorhersage, Mikrostruktursegmentierung, Inversauslegung neuer Legierungen und zur Auswertung von Spektren oder Bilddaten eingesetzt. Architekturen wie CNNs oder RNNs erlauben automatische Merkmalsextraktion und dienen als Surrogatmodelle für komplexe Simulationsketten.