في تعلم الآلة، يشير تقطير المعرفة أو تقطير النموذج إلى عملية نقل المعرفة من نموذج كبير إلى نموذج أصغر. بينما تمتلك النماذج الكبيرة (مثل الشبكات العصبية العميقة جدًا أو مجموعات العديد من النماذج) قدرة معرفية أكبر من النماذج الصغيرة، قد لا يتم استغلال هذه القدرة بالكامل. ويمكن أن يكون تقييم نموذج مكلفًا من الناحية الحوسبية حتى وإن كان يستغل قدرًا قليلًا من قدرته المعرفية. ينقل تقطير المعرفة هو نقل المعرفة من نموذج كبير إلى نموذج أصغر دون فقدان الصلاحية. ونظرًا لأن النماذج الأصغر أقل تكلفة من حيث التقييم، يمكن نشرها على أجهزة أقل قوة (مثل الأجهزة المحمولة ).
يجب عدم الخلط بين تقطير النموذج وضغط النموذج، حيث يشير ضغط النموذج إلى الأساليب التي تهدف إلى تقليل حجم نموذج كبير نفسه، دون تدريب نموذج جديد. يحافظ ضغط النموذج بشكل عام على بنية النموذج وعدد المعلمات الاسمية، مع تقليل البتات لكل معلمة.
تم استخدام تقطير المعرفة بنجاح في عدة تطبيقات لتعلم الآلة مثل كشف الأجسام ، النماذج الصوتية، ومعالجة اللغة الطبيعية. ومؤخرًا، تم تقديمه أيضًا إلى الشبكات العصبية الرسومية القابلة للتطبيق على البيانات غير الشبكية.