Bayessche Optimierung ist ein globales Optimierungsverfahren für teure, oft verrauschte Schwarze-Box-Funktionen, wie sie in Materialdesign und Prozessparameterfindung auftreten. Ein probabilistisches Surrogatmodell, meist Gaußscher Prozess, approximiert die Zielfunktion einschließlich Unsicherheit. Eine Akquisitionsfunktion (z.B. Expected Improvement) steuert die Auswahl neuer Versuchspunkte. So werden Materialeigenschaften oder Prozessfenster mit minimalen Experimenten effizient exploriert und ausgenutzt.