Symbolische Regression ist ein datengetriebener Ansatz, der funktionale Zusammenhänge zwischen Variablen in expliziter, interpretierbarer Form (z.B. Formeln) sucht, statt nur Parameter fester Modelle zu bestimmen. In der Werkstoffwissenschaft wird sie genutzt, um Struktur-Eigenschafts-Beziehungen, kinetische Gesetze oder Phasengleichgewichte aus Experiment- und Simulationsdaten abzuleiten. Methoden umfassen genetische Programmierung und differenzierbare Programmsuche mit physikalischen Nebenbedingungen.