Generative Adversarial Networks sind tiefenlernende Modelle mit zwei konkurrierenden Netzen, Generator und Diskriminator, die sich gegenseitig verbessern. In der Materialwissenschaft dienen sie zur Generierung realistischer Mikrostrukturen, zur Datenaugmentation, zur inversen Werkstoffentwicklung und zur Rekonstruktion dreidimensionaler Gefüge aus begrenzten Messdaten. Herausforderungen sind Stabilität des Trainings, physikalische Plausibilität und Einhaltung von Nebenbedingungen.