Bayesianisches tiefes Lernen kombiniert tiefe neuronale Netze mit bayesianischer Inferenz, um Unsicherheiten in Modellparametern und Vorhersagen explizit zu quantifizieren. In der Werkstoffwissenschaft ermöglicht es robuste Eigenschafts- und Lebensdauervorhersagen, datengetriebene Materialmodellierung mit Konfidenzintervallen und effiziente Versuchsplanung durch Unsicherheits- und Informationsbewertung.