Wissenschaftliche/r Mitarbeiter/in (w/m/d) im Bereich Multiskalensimulation und Maschinelles Lernen

Als Teil des Instituts für Mechanik im Bauwesen (MIB) und des SC SimTech agiert die Gruppe für "Data Analytics in Engineering" im Themenfeld der Simulationswissenschaften mit Fokus auf die Multiskalensimulation von heterogenen Materialien. Wir entwickeln modernste Lösungsverfahren für lineare und nichtlineare Probleme. Dabei behandeln wir sowohl klassische Vollfeldlösungsverfahren wie auch Modellordnungsreduktionsverfahren, die ein Schwerpunktthema unserer Gruppe darstellen. Die Verknüpfung Theorie-basierter Methoden mit algorithmisch effizienten Methoden aus dem Bereich des Maschinellen Lernens und der Künstlichen Intelligenz wird bei uns ebenfalls intensiv verfolgt. Wir verfügen über eigene Workstation Computer und Ressourcen für Methoden des Maschinellen Lernens. Realisiert werden unsere Vorhaben durch innovative Softwarelösungen, bei denen auch Methoden des Software Engineering stetig an Wichtigkeit gewinnen. Unser gemischtes, übersichtliches Team überzeugt durch großen Teamgeist und ein kollaboratives Arbeitsumfeld.

Im Verbundvorhaben MesoAID (siehe auch https://gepris.dfg.de/gepris/projekt/530808823 DFG Projektbeschreibung) zielen wir auf anspruchsvolle Optimierung von Materialien mit Mikrostruktur ab. Hierfür besteht das Projektteam aus drei Forschungseinrichtungen: wir kooperieren mit unseren belgischen Partnern Prof. Ludovic Noels (Université de Liège) und Prof. Thierry J. Massart (Université Libre de Bruxelles). Prof. Noels ist Experte im Bereich der Numerischen Methoden, insbesondere auch in Verbindung mit Modellordnungsreduktion und Maschinellem Lernen. Prof. Massart ist Experte im Bereich der Mikrostruktursynthese und -analyse.

Gemeinsam wollen wir die Morphologie und Topologie von Materialien beeinflussen, um gewisse Eigenschaften zu erzielen. Dabei soll nichtlineares Materialverhalten berücksichtigt werden. Trotz des fundamentalen Fortschritts im Bereich der Multiskalensimulationen ist es bislang weitgehend unklar, wie eine solche Optimierung idealerweise durchgeführt werden soll. Unser Ansatz zielt auf schnelle Vorwärtssimulationen zur Generierung großer Datenmengen ab. Gemeinsam wollen wir im Verbund ausgehend von mannigfaltigen Mikrostrukturvariationen damit Modelle entwickeln, die zunächst im "Material Space" interpolieren. Darunter verstehen wir universelle Modelle mit (zahlreichen) Mikrostrukturparametern. Hierfür wird zunächst Modellordnungsreduktion eingesetzt. Anschließend wollen wir sogenannte Deep Material Networks trainieren.

Nachdem die Datengenerierung abgeschlossen ist, wird die direkte Lösung des inversen Problems durch KI-Methoden untersucht. Wir benötigen hierfür nicht nur erhebliche Datenmengen, sondern sind auch an der Entwicklung effizienter Algorithmen, der begleitenden Workflows und dem Forschungsdatenmanagement beteiligt.

Die Arbeit eignet sich als Grundlage zur Anfertigung einer einschlägigen Promotion in den Ingenieur- oder Simulationswissenschaften.

Sie verfügen über eine abgeschlossene Hochschulausbildung (M. Sc.) in den Ingenieurwissenschaften, dem wissenschaftlichen Rechnen, den Simulationswissenschaften oder verwandten Disziplinen.

Grundkenntnisse in der Kontinuumsmechanik (Festkörpermechanik) werden vorausgesetzt. Für die Arbeit im interdisziplinären Team sind sehr gute Englischkenntnisse notwendig.

Idealerweise verfügen Sie über Kenntnisse in den folgenden Bereichen:

• numerische Methoden (z. B. Finite Elemente Methode, FFT-basierte Löser)
• Modellordnungsreduktionsverfahren
• Maschinelles Lernen (u. a. künstliche neuronale Netze)
• Programmierkenntnisse (python, C/C++ hilfreich); Kenntnisse im Software Engineering
• Erfahrung in der Bearbeitung von Forschungsvorhaben

In unserem Team steht das Miteinander im Zentrum. Damit die Teamarbeit für alle Seiten funktioniert, erwarten wir ein hohes Maß an Verlässlichkeit. Bei der Bearbeitung des eigenen Projektes wird ein hohes Maß an Eigenständigkeit und Strukturiertheit vorausgesetzt.

Angaben zu den tariflichen Leistungen finden Sie beispielsweise hier: https://oeffentlicher-dienst.info/

Darüber hinaus bieten wir Ihnen ein vielseitiges Betätigungsfeld in einem internationalen und interdisziplinären Umfeld. Wir arbeiten intensiv im Exzellenzcluster SimTech. Bei Ihrer Tätigkeit unterstützen wir Sie durch

• einen gut ausgestatteten Arbeitsplatz (Standort Vaihingen)
• die Möglichkeit zum mobilen Arbeiten
• die Möglichkeit zur Teilnahme an Weiterbildungsmaßnahmen
• eine moderne technische Ausstattung, die wir kontinuierlich weiter entwickeln
• eine enge wissenschaftliche Betreuung

Im Vorhaben ist auch ein Auslandsaufenthalt bei den Kooperationspartnern möglich.