185529 Studienabschlussarbeit Machine Learning Entwicklung Hochvoltspeicher (w/m/x) Published: [...]

Nur hochprofessionelle Abläufe in dynamischen Teams produzieren innovative Spitzentechnologie. Aber Fahrfreude wird bei uns von der Entwicklung bis zur Fertigung vor allem auch mit Spaß an der Arbeit und Begeisterung für das gemeinsame Projekt realisiert. Deshalb geben wir Studierenden bei uns nicht nur die Gelegenheit zum Zuhören, sondern auch zum Mitreden und Weiterdenken.

Deep Learning, Physikmodellierung und Datenengineering – bei uns entsteht aus realen Simulationsdaten die Thermomanagement-KI für das Elektrofahrzeug von morgen. Wir bei der BMW Group verbinden Begeisterung für präzise Modelle mit dem Anspruch, die Entwicklung von Hochvoltspeichern durch maschinelles Lernen aktiv voranzutreiben. Dabei legen wir großen Wert darauf, Studierende nicht nur einzubinden, sondern ihnen echte wissenschaftliche Verantwortung zu übertragen – bis hin zu einer eigenständigen, publikationswürdigen Fragestellung.

Unser Team entwickelt ein hybrides Physik‑ML‑Modell zur autoregressiven Echtzeit‑Simulation des thermischen Zustands von Lithium‑Ionen‑Batteriesystemen. Das Modell kombiniert einen physikbasierten Kern (Wärmeübertragungsgleichungen) mit einem datengetriebenen Latent‑Space‑Predictor (Encoder‑Decoder‑Architektur, PyTorch). Die zentrale wissenschaftliche Herausforderung: Das Modell wird auf einer begrenzten Menge von Simulationslastfällen trainiert und soll zuverlässig auf strukturell verschiedene, bisher ungesehene Betriebsszenarien generalisieren. Bisherige Balancing‑Strategien stoßen dabei an prinzipielle Grenzen – genau hier setzt deine Masterarbeit an.

Was erwartet dich?

• Du unterstützt bei der systematischen Analyse des strukturellen Unterschieds zwischen Trainings‑ und Validierungs‑Lastfällen und quantifizierst diesen Distribution Gap.
• Außerdem wirkst du mit bei der Erarbeitung, warum handgestaltete niedrig‑dimensionale Deskriptoren konzeptionell unzureichend sind und formulierst eine präzise wissenschaftliche Problemstellung.
• Darüber hinaus entwirfst, implementierst und evaluiertst du latentbasierte Matching‑Methoden zur direkten Modellierung struktureller Sequenzähnlichkeit.
• Du untersuchst physikalisch motivierte Datensynthese und prüfst die thermodynamische Konsistenz synthetisch erzeugter Eingangsprofile.
• Du entwickelst eine quantitative Out‑of‑Distribution‑Metrik, die eine kalibrierte Abschätzung des zu erwartenden Vorhersagefehlers ermöglicht.
• Du dokumentierst sämtliche Methoden, vergleichst sie in strukturierten Ablationsstudien und leitest wissenschaftlich fundierte Empfehlungen ab.

Du hast ein Studium der Mathematik, Physik, Ingenieurwissenschaften, Informatik oder Computational Science mit starkem mathematischem und datenorientiertem Hintergrund. Du besitzt sehr gute Programmierkenntnisse in Python; praktische Erfahrung mit PyTorch oder TensorFlow von Vorteil. Du hast solide Kenntnisse im maschinellen Lernen und Interesse an der Verknüpfung von physikalischen Modellen mit datengetriebenen Methoden. Du hast Erfahrung mit Zeitreihendaten, statistischen Verteilungsanalysen oder physikalischen Simulationen wünschenswert. Du arbeitest strukturiert, mit wissenschaftlicher Sorgfalt und Freude daran, Methoden zu hinterfragen und weiterzuentwickeln. Du hast gute Deutsch‑ und Englischkenntnisse.

Möchtest du unser Team dabei unterstützen, die Grenzen datengetriebener Batteriesimulation zu verschieben? Dann bewirb dich jetzt!

Was bieten wir dir?

• Umfassendes Mentoring & Onboarding.
• Persönliche & fachliche Weiterentwicklung.
• Flexible Arbeitszeiten.
• Mobilarbeit.
• Attraktive & faire Vergütung.
• Apartments für Studierende (nach Verfügbarkeit & nur am Standort München).

Wir bei der BMW Group legen großen Wert auf Gleichbehandlung und Chancengleichheit. Unsere Recruiting‑Entscheidungen basieren auf der Persönlichkeit, den Erfahrungen und Fähigkeiten der Bewerber:innen.

Bitte beachte, dass die Betreuung deiner Studienabschlussarbeit durch eine Hochschule/Universität deinerseits sichergestellt sein muss.