Data Scientist - Wissenschaftler, Maschinelles Lernen (m/w/d)

---

Job description

Die Bundesanstalt für Materialforschung und -prüfung (BAM) ist eine wissenschaftlich-technische Bundesoberbehörde mit Sitz in Berlin. Als Ressortforschungseinrichtung des Bundesministeriums für Wirtschaft und Energie forschen, prüfen und beraten wir zum Schutz von Menschen, Umwelt und Sachgütern. Im Fokus unserer Tätigkeiten in der Materialwissenschaft, der Werkstofftechnik und der Chemie steht dabei die technische Sicherheit von Produkten und Prozessen.

Werden Sie Teil unseres Teams von engagierten Mitarbeitenden!

Gesucht wird zur Verstärkung unseres Teams im Fachbereich 7.7 „Modellierung und Simulation" in Berlin-Steglitz zum 01.01.2022 ein*e
Promovierte*r wissenschaftliche*r Mitarbeiter*in (m/w/d) der Fachrichtung Ingenieurwissenschaften, Informatik, technische Softwareentwicklung, Mathematik, Physik oder Data Engineering
Entgeltgruppe 13 TVöD
Zeitvertrag bis zum 31.12.2024
Vollzeit / teilzeitgeeignet Die Digitalisierung der Ingenieur- und Materialwissenschaften birgt vielseitige Möglichkeiten zur Optimierung von Fertigungsprozessen und Prüfverfahren. Insbesondere Methoden des maschinellen Lernens zeigen hier großes Potential, z. B. bei der Vorhersage von Materialeigenschaften, der Optimierung von Prozessparametern oder als Metamodelle für komplexe physikalische Modelle im Kontext eines digitalen Zwillings. Die Anwendung von Verfahren des maschinellen Lernens auf sicherheitskritische Fragestellungen erfordert robuste, erklärbare und generalisierbare Modelle, die insbesondere auch Schätzer für die Genauigkeit der Modellvorhersage liefern können. Im Bereich des Ingenieurwesens ist zusätzlich die Dimensionalität der Eingangsdaten relativ groß, verbunden mit einer relativ kleinen Anzahl an Datensätzen.

Ziel ist es, Verfahren zu entwickeln, die es ermöglichen, ML-Verfahren unter Berücksichtigung statistischer Verfahren für sicherheitskritische Fragestellungen anwenden zu können und dabei insbesondere zusätzliche Informationen aus physikalischen Modellen (beschrieben durch partielle Differentialgleichungen) zu integrieren.

Dieses Teilprojekt ist eine Zusammenarbeit zwischen dem Fachbereich 7.7 „Modellierung und Simulation" und dem Referat S.3 „eScience". Die Stelle ist eingebettet in das Kompetenzzentrum Additive Fertigung und wird finanziert durch das Projekt QI-Digital (Qualitäts-Infrastruktur). Das Vorhaben ist eingebunden in ein internationales Forschungsumfeld und erfordert eine aktive Vernetzung mit Industrie und Forschung.
Abgeschlossenes wissenschaftliches Hochschulstudium (Diplom bzw. Master) der Fachrichtung Ingenieurwissenschaften, Informatik, technische Softwareentwicklung, Mathematik, Physik oder Data Engineering mit abgeschlossener Promotion
Sehr gute Kenntnisse im Bereich Data Science mit Werkzeugen des maschinellen Lernens und Datamining-Methoden (z. B. Tensorflow, PyTorch, Pandas, Scitkit-Learn)
Fundierte Kenntnisse im Bereich Statistik und Wahrscheinlichkeitstheorie (z. B. Bayessche-Inferenz)
Sehr gute Kenntnisse in mindestens einer Programmiersprache (z. B. Python, C/C++, Julia)
Sehr gute Kenntnisse im Bereich der Softwareentwicklung und entsprechenden Frameworks
Grundlegende Kenntnisse im Bereich der Finiten Elemente Methode zur Lösung von Differentialgleichungen (z. B. mit Hilfe von FEniCS)
Wünschenswert sind Erfahrungen mit Versionskontrollsystemen (z. B. Git)
Nachgewiesene Publikationstätigkeit im relevanten Forschungsgebiet
Sehr gute, präzise und adressatengerechte mündliche und schriftliche Ausdrucksfähigkeit in Deutsch und Englisch
Gutes Kommunikations- und Informationsverhalten, hohes Maß an Teamfähigkeit und Kooperationsbereitschaft, Flexibilität, Entscheidungsbereitschaft und -fähigkeit sowie Initiative bzw. Einsatzbereitschaft

Interdisziplinäre Forschung an der Schnittstelle zu Politik, Wirtschaft und Gesellschaft
Arbeit in nationalen und internationalen Netzwerken mit Universitäten, Forschungseinrichtungen und Industrieunternehmen
Hervorragende Ausstattung und Infrastruktur
Flexible Arbeitszeiten, mobiles Arbeiten