Datengesteuerte Materialentwicklung nutzt statistische Methoden, maschinelles Lernen und hochdimensionale Daten aus Experiment, Simulation und Prozessüberwachung zur Vorhersage von Struktur‑Eigenschafts‑Beziehungen und zur Optimierung von Zusammensetzung und Prozessparametern. Durch Surrogatmodelle, inverse Designansätze und aktive Lernstrategien werden Materialräume effizient erkundet, Entwicklungszyklen verkürzt und Mehrziel‑Optimierungen, etwa zwischen Festigkeit, Zähigkeit und Kosten, ermöglicht.