Flüssigkristallmaterialien besitzen aufgrund ihrer dualen Festkörper- und Flüssigkeiteigenschaften einzigartige Vorteile in der Materialwissenschaft und deren Anwendungen. In den letzten Jahren wurden datengetriebene Methoden vielfach in der Klassifikation von Flüssigkristallphasen, dem Materialdesign, der Leistungsvorhersage und Sensortechnologien angewendet. Durch datengetriebene Techniken wie maschinelles Lernen wurden bedeutende Fortschritte bei der Vorhersage von Phasenübergängen flüssiger Kristalle, der physikalisch-chemischen Eigenschaftsbewertung und der Optimierung der Sensorleistung erzielt. Diese Forschungen haben nicht nur die Leistungsfähigkeit von Flüssigkristallmaterialien verbessert, sondern auch deren Anwendungspotenzial in intelligenten Sensoren, Gasdetektion, Umweltüberwachung und Biosensoren erweitert. Dieser Artikel gibt einen Überblick über den nationalen und internationalen Forschungsstand datengetriebener Flüssigkristallmaterialien, erörtert deren Perspektiven in Design, Optimierung und Anwendung und blickt auf zukünftige Entwicklungen in der Flüssigkristallmaterialwissenschaft.

datengetrieben;maschinelles Lernen;Flüssigkristall;Materialwissenschaft