Maschinelles Lernen in der Werkstoffwissenschaft umfasst datengetriebene Methoden zur Vorhersage von Eigenschaften, Phasendiagrammen, Prozessfenstern und Versagensverhalten auf Basis experimenteller und simulativer Datensätze. Genutzt werden z.B. Regressions-, Klassifikations-, Graph- und Deep-Learning-Modelle sowie inverse Design- und Active-Learning-Strategien für beschleunigte Werkstoffentwicklung.