Aktives Lernen ist ein maschinelles Lernparadigma, bei dem Algorithmen gezielt informative Datenpunkte zur Annotation auswählen, um mit wenigen, oft teuren Experimenten Modelle hoher Prognosegüte zu trainieren. In den Materialwissenschaften wird es zur effizienten Erkundung großer Struktur‑Eigenschafts‑Räume, zur Optimierung von Prozessparametern und zur beschleunigten Werkstoffentwicklung eingesetzt, etwa in Kombination mit Hochdurchsatzexperimenten und DFT‑Simulationen.