Repräsentationslernen umfasst Methoden, die aus Hochdimensionaldaten (z.B. Mikrostrukturaufnahmen, Spektren, Prozessdaten) latente Merkmalsräume extrahieren, welche die relevanten physikalischen und statistischen Strukturen erfassen. In der Werkstoffwissenschaft dient es zur Mikrostruktur-Klassifikation, Eigenschaftsvorhersage, inversen Werkstoffentwicklung und Prozessoptimierung, unter Einsatz tiefer neuronaler Netze, Autoencoder, graphbasierter und probabilistischer Modelle.