Erklärbare KI in der Werkstoffwissenschaft bezeichnet Methoden, mit denen Vorhersagen komplexer Modelle (z.B. tiefer neuronaler Netze) zu Struktur‑Eigenschafts-Beziehungen transparent gemacht werden. Durch Techniken wie Feature-Importance, Surrogatmodelle oder saliency maps werden dominante Einflussgrößen, zugrunde liegende Mechanismen und Unsicherheiten aufgedeckt, was wissenschaftliche Interpretierbarkeit, Vertrauenswürdigkeit und zielgerichtetes Materialdesign ermöglicht.