Studentische:r Projektmitarbeiter:in im Christian Doppler Labor für Physikbasiertes maschinelles Lernen in industriellen Anwendungen

Studentische:r Projektmitarbeiter:in im Christian Doppler Labor für Physikbasiertes maschinelles Lernen in industriellen Anwendungen

Erwünschte Qualifikation

• Interesse an numerischer Simulation und ML
• Programmierkenntnisse Python
• Selbstständiges und strukturiertes Arbeiten
• Sehr gute Deutsch- oder Englischkenntnisse

Über die TU Graz

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

Über die 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.

Vorteile

• Abwechslungsreicher Aufgabenbereich

• Kollegial-freundschaftliches Arbeitsklima

• Flexible Arbeitszeitgestaltung

• Gute Vereinbarkeit mit dem Studium

• Sammeln von studienrelevanter Berufserfahrung

• Familienfreundliche Arbeitgeberin

• Öffi-Zuschuss

• Universitätssportprogramm

• Einkaufsvergünstigungen

• Betriebliches Gesundheitsmanagement

• Zugang zu den neuesten Technologien

• Umfangreiche Aus- und Weiterbildungsmöglichkeiten