Oberflächenmodifikationsprozesse durch Elektronen, Photonen, Ionen und Plasmen zeichnen sich oft durch einen hochdimensionalen und weiten Parameterraum aus. Eine rein experimentelle Untersuchung des Parameterraums kann daher schnell ressourcenintensiv und die Suche nach optimalen Prozessbedingungen kostspielig gestalten. Um den Aufwand für eine Prozessentwicklung zu reduzieren, setzen wir moderne Techniken des maschinellen Lernens ein. Ein Beispiel dafür sind Gauß-Prozesse (GP) die einen flexiblen, nicht-parametrischen Ansatz zur Modellierung  bieten, um anhand von Prozessparametern eine Antwortfunktion zu modellieren. Gleichzeitig quantifizieren sie die lokale Unsicherheit in der Antwort, die in Bereichen mit wenig Daten naturgemäß ansteigt. Ein weiteres zentrales Merkmal ist die Fähigkeit, das GP-Modell iterativ mit neuen Daten zu verbessern. Basierend auf der aktuell modellierten Antwort und ihrer lokalen Unsicherheit lassen sich zusätzliche Messungen gezielt in Bereichen hoher Unsicherheit vornehmen. Auf diese Weise kann das Modell zielgerichtet verfeinert werden. Das optimierte Modell kann schließlich zur Vorhersage optimaler Prozessparameter für das bestmögliche Prozessergebnis genutzt werden.