Numerische Methoden zur Simulation der Herstellung von Faser-Kunststoff-Verbunden (FKV) erlauben eine virtuelle Bewertung der voraussichtlichen Bauteilqualität und eine präzise Modellierung zugrundeliegender Prozessdynamiken während der Prozessauslegung. Allerdings sind diese Modelle häufig hochdimensional und rechenintensiv, so dass detaillierte Sensitivitätsstudien und iterative Optimierungsrechnungen praktisch verfügbare Rechenkapazitäten übersteigen. Mithin bleiben fertigungstechnische Potentiale unerkannt. Zur tieferen Exploration des Parameterraums bieten sich effiziente „Surrogate“-Ersatzmodelle an, die nach Verfahren des Maschinenlernens (ML) aus beobachteten Input-Output-Daten abgeleitet werden: Einmal trainiert, schätzen sie die Qualität neuer Prozessparameter und ermöglichen es, ‚teure‘ Simulationen während der Optimierung auf die meistversprechenden Punkte zu konzentrieren. Mit jeder Iteration werden die Ersatzmodelle aktualisiert und verfeinern so adaptiv ihre Prognosegüte. Offen ist derzeit, welche Update-Vorschriften die zusätzlichen Informationen bestmöglich ausnutzen. Daher erfolgt die Auswahl und Einstellung der Vorschriften gegenwärtig eher empirisch. Durch geschickte Kombination von physikalisch-basierten numerischen Methoden, ML-Methoden und Optimierungsmethoden ist es das Ziel, die virtuelle Prozessauslegung so effizient wie möglich zu gestalten.