Generative Adversarial Netzwerke sind maschinelle Lernmodelle aus Generator und Diskriminator, die gegeneinander trainiert werden, um realistische Daten zu erzeugen. In der Materialwissenschaft werden sie zur synthetischen Mikrostrukturgenerierung, Eigenschaftsvorhersage, Rauschunterdrückung in Bilddaten und Inversauslegung von Prozessparametern eingesetzt. Sie ermöglichen datengetriebene Exploration großer Designräume, Beschleunigung von Simulationen und virtuelle Hochdurchsatz-Screenings von Werkstoffen.