Unüberwachtes Deep Learning nutzt tiefe neuronale Netze zur Merkmalsextraktion und Mustererkennung ohne gelabelte Trainingsdaten. In der Materialwissenschaft dient es zur automatischen Mikrostrukturanalyse, Phasensegmentierung, Anomaliedetektion in Prozessdaten oder latenten Raumrepräsentation komplexer Werkstoffeigenschaften. Typische Architekturen sind Autoencoder, generative Modelle und selbstüberwachende Methoden, die verborgene Korrelationen in hochdimensionalen Daten aufdecken.