Maschinelles Lernen in der Werkstoffwissenschaft nutzt datengetriebene Modelle, um komplexe Struktur‑Eigenschafts‑Prozess‑Beziehungen zu erfassen. Überwachte und unüberwachte Verfahren sowie Deep Learning unterstützen Vorhersage von Materialeigenschaften, inverse Werkstoff- und Prozessauslegung, Phasendiagramm- und Mikrostrukturmodellierung. ML beschleunigt Hochdurchsatzscreening, optimiert Experimente und Simulationen und ist zentral für autonome Materialentdeckung.