Datengetriebenes Materialdesign nutzt statistische Methoden, maschinelles Lernen und hochdimensionale Datenräume, um Beziehungen zwischen Zusammensetzung, Prozessparametern, Mikrostruktur und Eigenschaften zu modellieren. Es ergänzt oder ersetzt klassische empirische Ansätze und reduziert experimentellen Aufwand. Durch Integration von Hochdurchsatzexperimenten, Simulationen und Materialdatenbanken werden inverse Designaufgaben, Unsicherheitsquantifizierung und autonome Optimierung von Werkstoffen ermöglicht.