Universitäts-Projektassistent:in mit Doktorat im Bereich „Physikbasiertes maschinelles Lernen in industriellen Anwendungen“

Über uns

Die TU Graz ist die traditionsreichste technisch-naturwissenschaftliche Forschungs- und Bildungsinstitution in Österreich und zählt zu einer der größten Arbeitgeber:innen der Region mit rund 4.000 Mitarbeiter:innen. In ihren fünf Stärkefeldern, den Fields of Expertise, erbringt die TU Graz internationale Spitzenleistungen und setzt auf intensive Zusammenarbeit mit anderen Forschungs- und Bildungseinrichtungen sowie mit Wirtschaft und Industrie weltweit. In der europäischen Hochschullandschaft steht die TU Graz verstärkt im Wettbewerb um die besten Köpfe und Ressourcen.

In diesem Video geben wir einen Einblick in das Arbeitsumfeld der TU Graz: HIER

Organisationseinheit

Am Institut für Thermodynamik und nachhaltige Antriebssysteme ist das CD-Labor für Physikbasiertes maschinelles Lernen in industriellen Anwendungen angesiedelt und hat zum Ziel die Nutzbarkeit des maschinellen Lernens (ML) für technische Fragestellungen zu verbessern. Konkrete Beispiele sind numerische Simulationen im Bereich der Strukturmechanik und in der Strömungsdynamik oder der prädiktiven Simulation und Steuerung. Obwohl die jüngsten Forschungsaktivitäten das enorme Potenzial physikbasierter ML bewiesen haben, ist ein erheblicher Forschungsaufwand erforderlich, um stabile und allgemein anwendbare Methoden zu erhalten. Der ganzheitliche Forschungsansatz des CD-Labors konzentriert sich auf die Möglichkeiten der Integration physikbasierter Informationen in den gesamten ML-Prozess, einschließlich Problemformulierung, Datenerstellung und -aufbereitung, ML-Architektur und Trainingsprozess. Durch umfassende Grundlagenforschung werden neuartige ML-Ansätze erforscht, die nicht nur physikalische Informationen, sondern auch Elemente numerischer Simulation zur Verbesserung des Trainingsprozesses einbeziehen. Diese Forschungstätigkeiten werden die Extrapolationsfähigkeiten von ML-Modellen entscheidend erweitern, um zuverlässige Vorhersagen in Szenarien oder unter Bedingungen zu ermöglichen, die in den zugrundeliegenden Trainingsdaten unterrepräsentiert oder nicht vorhanden sind.

Aufgaben

• Entwicklung von Optimierungsstrategien (robust Optimization) für komplexe Energiesysteme
• Forschung im Bereich physik-basierten maschinellen Lernens
• Erstellung von wissenschaftlichen Publikationen und Fachvorträgen
• Unterstützung bei der Organisation des Christian Doppler Labors
• Präsentation der Ergebnisse bei einschlägigen, internationalen Konferenzen
• Fachliche Betreuung von Masterarbeiten und PhD

Zulassungsvoraussetzungen

• Abgeschlossenes Doktoratsstudium Mathematik oder theoretische Physik oder vergleichbare Studienrichtung
• Sehr gute Englischkenntnisse in Wort und Schrift

Wünschenswerte Qualifikationen

• Eine hervorragende wissenschaftliche Qualifikation im Bereich Robust Optimization und Machine Learning
• Erfahrungen im Durchführen wissenschaftlicher Projekte
• Gute Deutschkenntnisse in Wort und Schrift

Einstufung

B1 Universitätsassistent:in mit Doktorat

Wir bieten

Ass. Prof. Dr. Stefan Posch

st.posch@tugraz.at

Adresse

Technische Universität Graz
Rechbauerstraße 12
8010 Graz

Gleichstellung & Diversität

Die Technische Universität Graz strebt eine Erhöhung des Frauenanteiles, insbesondere in Leitungsfunktionen und beim wissenschaftlichen Personal an und lädt deshalb qualifizierte Frauen ausdrücklich zur Bewerbung ein. Im Falle von Unterrepräsentation werden Frauen bei gleicher Qualifikation vorrangig aufgenommen.

Die Technische Universität Graz bemüht sich aktiv um Vielfalt und Chancengleichheit. Bei der Personalauswahl dürfen Personen aufgrund des Geschlechts, der ethnischen Zugehörigkeit, der Religion oder der Weltanschauung, des Alters oder der sexuellen Orientierung nicht benachteiligt werden (Antidiskriminierung).

Menschen mit Behinderung und entsprechender Qualifikation werden ausdrücklich zur Bewerbung eingeladen.