Deutschland
HUB.KI GmbH
Focused
Machine Learning Engineer (m/w/d)
RemoteDeutschland
Darmstadt, Hesse, Deutschland
PythonC++
Automatische Übersetzung. Prüfe das Original.
Ihre Rolle
Focused Energy baut die Zukunft der sauberen Energie durch lasergetriebene Trägheitsfusion auf. Gestützt durch unsere Serie A über 240 Mio. USD – die größte vollständig gesicherte Serie A in der globalen Fusionsindustrie – skalieren wir schnell über mehrere Regionen hinweg.
Mit Sitz in Deutschland und den USA haben wir die besten wissenschaftlichen und technischen Köpfe zusammengebracht, um mit bewährten Technologien die kommerzielle Fusionsenergie zu erschließen. Focused Energy arbeitet daran, bahnbrechende wissenschaftliche Innovationen zu realisieren, die versprechen, eine saubere, nachhaltige und reichlich vorhandene Energiequelle weltweit zu liefern.
Diese Rolle liegt an der Schnittstelle von ML-Engineering und computergestützter Physik und arbeitet innerhalb unserer Umgebungen für Software-Engineering und digitale Zwillinge. Sie werden eng mit Optik-Ingenieuren, Laser- und Fusionsphysikern, Simulationswissenschaftlern und Systemingenieuren zusammenarbeiten, um datengesteuerte Intelligenz direkt in unsere digitale Zwillingsarchitektur einzubetten. Sie werden das Entwicklungsrisiko reduzieren, die Entwicklungszeiten verkürzen und eine Optimierung auf Systemebene ermöglichen, die rein physikbasierte Ansätze nicht mit der von uns benötigten Geschwindigkeit erreichen können.
Was Sie tun werden
Sie werden Machine Learning-Modelle entwerfen, erstellen und bereitstellen, die unsere multiphysikalischen Simulationsumgebungen für unsere Hochenergielasersysteme, Zielinjektions- und -verfolgungssysteme, Zielherstellungssysteme und Fusionskammern verbessern, beschleunigen und ergänzen. Dies ermöglicht schnellere Designzyklen, prädiktive Systemoptimierung und Echtzeit-Entscheidungsunterstützung für unsere Laser-, Ziel- und Fusionsprogramme.
- Surrogat- und reduzierter Ordnungsmodellierung: Entwerfen und Bereitstellen von Surrogat- und reduzierten Ordnungsmodellen (ROMs), die hochfidele multiphysikalische Simulationen in der digitalen Zwillingsumgebung ersetzen oder beschleunigen
- Physik-informiertes ML: Entwicklung von physik-informiertem Machine Learning (PIML) und physik-informierten neuronalen Netzen (PINNs), die physikalische Einschränkungen (Maxwell-Gleichungen, Thermodynamik, Fluiddynamik) direkt in Modellarchitekturen einbetten
- ML-Pipelines: Erstellen und Pflegen von ML-Pipelines für Training, Validierung, Unsicherheitsquantifizierung (UQ) und kontinuierliche Modellverfeinerung anhand von experimentellen und Simulationsdaten
- Aktives Lernen und Bayes'sche Optimierung: Implementieren von Workflows für aktives Lernen und Bayes'sche Optimierung zur intelligenten Steuerung der Erkundung des Designraums und zur Reduzierung kostspieliger Simulationsläufe
- Integration digitaler Zwillinge: Integrieren trainierter ML-Modelle in das breitere digitale Zwillings-Framework, Schnittstellen mit HPC-Simulationsausgaben (COMSOL, ANSYS, benutzerdefinierte Solver) und Echtzeit-Sensordaten
- Anomalieerkennung: Entwickeln von Modellen zur Anomalieerkennung und prädiktiven Diagnose zur Überwachung des Systemzustands und zur Identifizierung von nicht-nominalem Verhalten in Laser-Subsystemen
- Autonome Optimierung: Anwenden von Reinforcement Learning und Bayes'schen Steuerungsansätzen zur Unterstützung der autonomen oder semi-autonomen Optimierung von Laserbetriebsparametern
- Funktionsübergreifende Zusammenarbeit: Zusammenarbeit mit Digital Twin-Architekten, Systemingenieuren und Optik-Simulationswissenschaftlern, um sicherzustellen, dass ML-Modelle die Anforderungen an Genauigkeit, Latenz und Unsicherheit erfüllen
- Technische Strenge: Etablieren von Best Practices für Modellversionierung, Reproduzierbarkeit, Tests und Dokumentation in einer sich schnell entwickelnden Forschungsumgebung
Wer Sie sind
Voraussetzungen
- Master-Abschluss oder Promotion in Machine Learning, computergestützter Physik, angewandter Mathematik, Data Science, Informatik oder einem eng verwandten Fachgebiet
- Nachgewiesene Erfahrung im Aufbau, Training und Einsatz von ML-Modellen für komplexe physikalische Systeme; starke Beherrschung von deep learning (PyTorch, TensorFlow/JAX), probabilistischen Modellen und Unsicherheitsquantifizierung
- Expertenkenntnisse in Python; Kenntnisse in C++ oder Fortran von Vorteil; Erfahrung mit HPC-Umgebungen (Batch-Scheduler, MPI/OpenMP-Parallelisierung)
- Fließende Kenntnisse im Umgang mit PDE-basierten Simulationsausgaben, Zeitreihen-Sensordaten und hochdimensionalen Parameterbereichen, wie sie in multiphysikalischen Umgebungen typisch sind
- Praktische Erfahrung mit Gauß-Prozessen, neuronalen Netz-Surrogaten, reduzierten Ordnungsmodellen oder gleichwertigen Metamodellierungstechniken
- Erfahrung im Aufbau robuster ML-Pipelines für wissenschaftliche Daten – einschließlich Vorverarbeitung, Feature Engineering, Modellvalidierung und Bereitstellung
- Fähigkeit, Modellverhalten, Konfidenzintervalle und Einschränkungen klar an Physiker, Ingenieure und Nicht-ML-Spezialisten zu kommunizieren
- Starke funktionsübergreifende Teamfähigkeiten; Komfort bei der Arbeit in einem interdisziplinären Umfeld, das Physik, Ingenieurwesen und Software umfasst
Nice-to-Haves
- Erfahrung mit physik-informierten neuronalen Netzen (PINNs) oder neuronalen Operatoren (DeepONet, FNO), angewendet auf physikalische Systeme
- Hintergrund in Laserphysik, Plasmaphysik, Hochenergiedichtewissenschaft oder verwandten komplexen physikalischen Domänen
- Erfahrung mit digitalen Zwillingsplattformen und Live-Integration von ML-Modellen mit Simulationsumgebungen (z. B. NVIDIA Omniverse, Siemens Xcelerator, ANSYS Twin Builder)
- Vertrautheit mit multidisziplinären Optimierungs-Workflows (MDO), einschließlich Design of Experiments (DoE), Sensitivitätsanalyse und Unsicherheitsfortpflanzung
- Erfahrung mit der Anwendung von Reinforcement Learning zur Steuerung oder Optimierung physikalischer Systeme
- Vertrautheit mit Monte-Carlo-Methoden und statistischen Unsicherheitsquantifizierungs-Frameworks
- Erfahrung mit MLOps-Tools (MLflow, Weights & Biases, DVC) im wissenschaftlichen Computing-Kontext
- Interesse an Fusionsenergie, fortschrittlichen Lasersystemen oder Hochenergiephysik
Focused Energy ist ein Arbeitgeber, der Chancengleichheit fördert und sich für die Schaffung eines integrativen Umfelds einsetzt. Qualifizierte Bewerber erhalten eine Anstellung ohne Rücksicht auf Rasse, Hautfarbe, Religion, Geschlecht, sexuelle Orientierung, Geschlechtsidentität oder -wahrnehmung, nationale Herkunft, Alter, Familienstand, geschützten Veteranenstatus oder Behinderungsstatus.
Gemäß der San Francisco Fair Chance Ordinance wird Focused Energy qualifizierte Bewerber mit Festnahme- und Verurteilungsakten für eine Anstellung berücksichtigen.
Die angebotene Vergütung wird anhand von Faktoren wie Standort, Niveau, fachspezifischem Wissen, Fähigkeiten und Erfahrung bestimmt. Bestimmte Rollen können Anspruch auf Anreizvergütung, Aktienoptionen und Leistungen haben.
Mehr Möglichkeiten mit einem Profil
Für mehr Stellen berücksichtigt werden, ohne den ganzen Prozess zu wiederholen? Erstellen Sie Ihr Profil, damit Unternehmen auf Nort Sie finden.
Profil erstellen