Computational material scientist / DFT expert

Ihre Mission

Wir suchen einen Experten für computergestützte Materialwissenschaften, um die nächste Generation bahnbrechender Materialien zu entdecken. Sie werden in einem kleinen, hochinterdisziplinären Team von DFT/AI/Materiaalexperten arbeiten und End-to-End-Workflows zur Identifizierung, Bewertung und Risikominderung von Kandidatenmaterialien entwickeln und umsetzen. Sie werden eng mit unserem Synthese- und Charakterisierungsteam zusammenarbeiten, um Vorhersagen in Experimente zu übersetzen, Modelle mit realen Rückmeldungen zu verbessern und eine geschlossene Entdeckungsmaschine aufzubauen. Während es die Möglichkeit gibt, ausgewählte Ergebnisse zu veröffentlichen, ist unser übergeordnetes Ziel, neue, hochwirksame Materialien zu liefern, die experimentell validiert und letztendlich skaliert werden können. Diese Rolle kombiniert wissenschaftliche Tiefe mit Teamarbeit und Verantwortung für die Ausführung. Sie werden zu strategischen Entscheidungen über Methodik, Priorisierung und Plattformrichtung beitragen. Sie erhalten ein wettbewerbsfähiges Vergütungspaket mit möglicher Eigenkapitalbeteiligung.

Hauptverantwortlichkeiten

• Materialentdeckung & wissenschaftliche Führung: Entwerfen, Implementieren und kontinuierlich Verbessern von DFT-basierten Workflows zur Vorhersage wichtiger funktionaler Eigenschaften kristalliner Materialien. Entwicklung von Screening-Strategien und Entscheidungskriterien zur Auswahl von Kandidaten aus großen Suchräumen und zur Anleitung der experimentellen Validierung. Verantwortung für den Rechenplan für zugewiesene Entdeckungsprogramme: Definition von Meilensteinen, Erfolgskriterien und Ergebnissen; Durchführung der Ausführung.
• Automatisierung und experimentelle Zusammenarbeit: Aufbau robuster, automatisierter und reproduzierbarer DFT-Pipelines. Verbesserung des Durchsatzes durch Optimierung von AI/ML-Workflows. Pflege hochwertiger Dokumentation, versionierter Workflows und nachvollziehbarer Datensätze. Zusammenarbeit mit Kollegen aus der Synthese/Charakterisierung zur Interpretation von Ergebnissen, zur Fehlersuche bei Abweichungen und zur Integration von Erkenntnissen in verbesserte Workflows.
• Kommunikation & Einfluss: Klare Kommunikation der Ergebnisse an sowohl rechnergestützte als auch experimentelle Teamkollegen (schriftliche Zusammenfassungen, interne Präsentationen). Wo angemessen, Beitrag zu Veröffentlichungen, Konferenzabstracts und Materialien für Stipendien/Partner (ohne Kompromittierung der IP-Strategie).

Ihr Profil

Erforderliche Qualifikationen:

• Doktortitel in Physik, Chemie, Materialwissenschaft oder einem eng verwandten Bereich.
• Tiefgehende praktische Erfahrung in DFT an kristallinen Materialien (4+ Jahre), belegt durch starke Veröffentlichungen und/oder wirkungsvolle offene Arbeiten.
• Nachgewiesene Erfahrung mit Automatisierung und Beschleunigung von DFT (Workflows, Konvergenzoptimierung, Fehlerbehandlung, Hochdurchsatz-Screening).
• Erfahrung in der Anwendung von AI/ML-Methoden zur Materialentdeckung und -suche.
• Starke Programmierkenntnisse in Python (oder ähnlich) und Vertrautheit mit wissenschaftlichen Softwarepraktiken (Versionskontrolle, Tests, Reproduzierbarkeit).
• Komfortabel in einem schnelllebigen Startup-Umfeld: pragmatische Priorisierung, Verantwortung, starke Zusammenarbeit.
• DFT + Methoden.
• Erfahrung mit einem oder mehreren der folgenden: VASP, Quantum ESPRESSO, GPAW, ABINIT, WIEN2k, CASTEP (oder vergleichbare Codes).
• Vertrautheit mit Phononen, elastischen Eigenschaften, Defektberechnungen, Magnetismus/Spin-Bahn-Kopplung oder dielektrischen/ferroelectric Berechnungen (je nach Zielmaterialien).
• Starkes Verständnis von Thermodynamik / Phasestabilität und Materialdatenbanken (z.B. Materials Project, OQMD, ICSD-Nutzungsmuster).

Bevorzugte Qualifikationen:

• Workflow/HPC: Praktische HPC-Erfahrung (Slurm, Jobplanung, Profilierung, Optimierung der Rechenkosten).
• Erfahrung mit Workflow-Managern (ASE, AiiDA, atomate, FireWorks, custodian, Prefect, Airflow, Snakemake, Nextflow usw.).
• Erfahrung im Aufbau/Wartung strukturierter Materialdatenbanken (Postgres, MongoDB, parquet/lakehouse-Muster).

• ML für Materialien: Erfahrung mit Materialdarstellungen (Graph-Neurale-Netze, CGCNN/MEGNet-ähnliche Ansätze, Deskriptoren, symmetriebewusste Modelle).
• Kenntnis der Unsicherheitsquantifizierung und Entscheidungsfindung unter Unsicherheit für die experimentelle Planung.

• Startup / Industrie: Erfahrung in der Zusammenarbeit mit experimentellen Teams oder in einem industriellen F&E-Kontext. Erfolgsbilanz bei der Übersetzung von Vorhersagen in validierte Materialien und Lernzyklen.

Über uns

Wir sind ein deutsches und portugiesisches Start-up, das die Entdeckung neuartiger und hochwirksamer Materialien mit führenden KI-Modellen und intelligenter Synthese revolutioniert. Bei alqem glauben wir, dass neue bahnbrechende Materialien ein Schlüsselfaktor für den Fortschritt sind und dass KI uns neue Werkzeuge gegeben hat, um diese Materialien zu entdecken. Unser Mitbegründer hat mehr als ein Jahrzehnt im Bereich KI für Materialien gearbeitet und war am Aufbau der größten und besten grundlegenden Materialdatenbank für kristalline Materialien, Alexandria, beteiligt. Unser CEO hat über 15 Jahre in der Chemie- und Energiebranche in Führungspositionen verbracht und hat Erfahrung in der Entwicklung großer Industrieprojekte. Unsere Motivation ist es, ein Unternehmen aufzubauen, das einen großen, positiven Einfluss auf unsere Welt haben kann: Wir wollen Materialien für den Energiewandel, für bessere Computer und für die Zukunft der Mobilität herstellen. In unserem Unternehmen möchten wir eine Kultur aufbauen, in der Teammitglieder als Eigentümer handeln, in der Neugier und Problemlösung gefördert werden, in der wissenschaftliche Durchbrüche gefeiert werden und in der wir uns gegenseitig unterstützen und hart auf unsere gemeinsamen Ziele hinarbeiten.