Maschinelles Lernen umfasst Algorithmen, die aus Daten Muster und Zusammenhänge lernen, ohne explizit programmiert zu sein. In der Werkstoffwissenschaft wird es zur Eigenschaftsvorhersage, Phasenerkennung, inversen Werkstoffauslegung und Prozessoptimierung eingesetzt. Modelle wie neuronale Netze, Random Forests oder Gaußsche Prozesse nutzen Merkmale aus Zusammensetzung, Mikrostruktur und Prozessparametern, um Designräume effizient zu erkunden.