Wiss. Mit­ar­bei­ter*in (d/m/w) - Ent­gelt­gruppe 13 TV-L Ber­li­ner Hoch­schu­len - Zur Qualifizierung

Fakultät IV - BIFOLD / FG Maschinelles Lernen

Wiss. Mit­ar­bei­ter*in (d/m/w) - Ent­gelt­gruppe 13 TV-L Ber­li­ner Hoch­schu­len - Zur Qualifizierung

Teil­zeit­be­schäf­ti­gung ist ggf. mög­lich

Das Berlin Institute for the Foundations of Learning and Data (BIFOLD) der TU Berlin (Prof. Klaus Robert Müller) sucht für ein Agility-Teilprojekt eine*n wissenschaftliche*n Mitarbeiter*in im Bereich Maschinelles Lernen. Das Agilitätsprojekt wird in den Forschungsgruppen "Probabilistische Modellierung und Inferenz" (https://web.ml.tu-berlin.de/author/dr.-shinichi-nakajima/) unter der Leitung von Dr. Shinichi Nakajima und "Maschinelles Lernen für molekulare Simulation in der Quantenchemie" und (http://www.sgdml.org/) unter der Leitung von Dr. Stefan Chmiela durchgeführt.

Dr. Nakajimas Gruppe beschäftigt sich mit generativen Modellen und deren Anwendung in der Physik, insbesondere mit Monte-Carlo-Simulationen in der statistischen Mechanik und in Gitterfeldtheorien. Das übergeordnete Ziel des Projekts ist die Entwicklung skalierbarer und stabiler generativer Sampler, die für die unverzerrte Schätzung physikalischer und thermodynamischer Observablen verwendet werden können. Der Schwerpunkt dieser Stelle liegt auf dem hierarchischen Sampling und der Einbeziehung physikalischer Symmetrien.

Aufgabenbeschreibung

Unabhängige und verantwortungsvolle Forschung auf dem Gebiet des maschinellen Lernens. Ziel ist es, multiskalige Monte-Carlo-Sampling-Methoden mit generativen Modellen zu entwickeln, die mit den modernsten Gitter-QCD-Rechnungen vergleichbar sind.

Die Damit Verbundenen Aufgaben Sind

• Entwicklung und Implementierung eines Multiskalen-Sampling-Rahmens mit generativen Modellen
• Integration von physikalischem Wissen über die Zielsysteme in die Modelle, z.B. Renormierungsgruppentheorie und physikalische Symmetrien
• Evaluierung der entwickelten Methoden anhand von Benchmark-Problemen und Vergleich mit modernen Basismethoden
• Kommunikation der Ergebnisse durch Präsentationen
• Lehraufgaben Erforderlich ist die Fähigkeit, mit einem Team von ML-Expert*innen und Physiker*innen zusammenzuarbeiten.
  
  

Erwartete Qualifikationen

• Erfolgreich abgeschlossenes Hochschulstudium (Master, Diplom oder Äquivalent) in Mathematik, Physik, Informatik oder Datenwissenschaft
• Nachgewiesene Erfahrung in Maschinellem Lernen und Datenwissenschaft mit einem ausgeprägten Verständnis von Algorithmen, Statistik und mathematischen Konzepten
• Solide Kenntnisse in Physik, einschließlich statistischer Mechanik, Quantengitterfeldtheorie und Eichtheorie
• Ausgezeichnete Programmierkenntnisse in Python und solide Kenntnisse gängiger Frameworks für Maschinelles Lernen wie PyTorch, TensorFlow oder scikit-learn.
• Ausgeprägte Kommunikationsfähigkeiten in Englisch und die Fähigkeit, komplexe Themen einem breiten Publikum mit unterschiedlichem Hintergrund zu erklären (d.h. sowohl Informatiker*innen als auch Physiker*innen)
• Vertrautheit mit SOTA-Maschinenlernmodellen und Ansätzen für Monte-Carlo-Simulationen in der Physik
• Die Fähigkeit zum Unterrichten in deutscher und/oder in englischer Sprache wird vorausgesetzt; Bereitschaft, die jeweils fehlenden Sprachkenntnisse zu erwerben
  
  

Hinweise zur Bewerbung

Ihre schriftliche Bewerbung richten Sie bitte unter Angabe der Kennziffer mit den üblichen Bewerbungsunterlagen (d.h. mindestens Anschreiben, CV, Abschlusszeugnisse, Notenübersichten etc.) an die Technische Universität Berlin - Die Präsidentin - Fakultät IV, Institut für Softwaretechnik und Theoretische Informatik, FG Maschinelles Lernen, Prof. Dr. Müller, MAR 4-1, Marchstr. 23, 10587 Berlin oder per E-Mail (eine PDFDatei, max. 5 MB) an: jobs@bifold.berlin.

Aus Kostengründen werden postalisch zugesandte Bewerbungsunterlagen nicht zurückgesandt. Bitte reichen Sie nur Kopien ein.

Mit Der Abgabe Einer Online­be­wer­bung Geben Sie Als Bewer­ber*in Ihr Ein­ver­ständ­nis, Dass Ihre Daten Elek­tro­nisch Ver­ar­bei­tet Und Gespei­chert Wer­den. Wir Wei­sen Dar­auf Hin, Dass Bei Unge­schütz­ter Über­sen­dung Ihrer Bewer­bung Auf Elek­tro­ni­schem Wege Keine Gewähr Für Die Sicher­heit Über­mit­tel­ter Per­sön­li­cher Daten Über­nom­men Wer­den Kann. Daten­schutz­recht­li­che Hin­weise Zur Ver­ar­bei­tung Ihrer Daten Gem. DSGVO Fin­den Sie Auf Der Web­seite Der Per­so­nal­ab­tei­lung

https://www.abt2-t.tu-berlin.de/menue/themen_a_z/datenschutzerklaerung/ oder Direkt­zu­gang: 214041.

Zur Wah­rung der Chan­cen­gleich­heit zwi­schen Frauen und Män­nern sind Bewer­bun­gen von Frauen mit der jewei­li­gen Qua­li­fi­ka­tion aus­drück­lich erwünscht. Schwer­be­hin­derte wer­den bei glei­cher Eig­nung bevor­zugt berück­sich­tigt. Die TU Ber­lin schätzt die Viel­falt ihrer Mit­glie­der und ver­folgt die Ziele der Chan­cen­gleich­heit.

Als PDF herunterladen