Surrogatmodellierung approximiert komplexe, rechenintensive Simulations- oder Experimentmodelle durch statistische oder maschinelle Lernmodelle. In der Werkstoffwissenschaft werden z. B. Gaußsche Prozess-Modelle, Polynome oder neuronale Netze eingesetzt, um Eigenschaftslandschaften, Phasendiagramme oder Prozessfenster effizient zu explorieren. Dies beschleunigt Optimierung, Unsicherheitsquantifizierung und inverse Materialauslegung erheblich.