Internship in AI for Engineering Design (F/M/D)

Wir stehen vor den Herausforderungen unserer Zeit - Helfen Sie uns, zu wachsen und wirkungsvoller zu sein! CSEM fördert den Einsatz von künstlicher Intelligenz, um das Design komplexer physikalischer Systeme zu beschleunigen. Mehrere laufende Projekte wenden ML-gesteuerte Optimierung und physikbasierte Modellierung in Ingenieurbereichen an, darunter photonische integrierte Schaltungen, elektromagnetisches Antennendesign und photonische Simulation.

Die Geschäftseinheit „Integrierte und drahtlose Systeme“ mit Sitz in Neuenburg, Schweiz, sucht einen motivierten Praktikanten, der zu den KI- und maschinellen Lernaspekten dieser Bemühungen beiträgt.

Ihre Mission

Sie unterstützen ein multidisziplinäres Team bei der Anwendung von maschinellem Lernen auf inverse Design- und Simulationsprobleme. Das Praktikum befindet sich an der Schnittstelle von KI und physikbasierter Ingenieurwissenschaft: Sie helfen dabei, ML-Modelle zu entwickeln, zu trainieren und zu benchmarken, die Gerätee geometrien optimieren oder physikalische Simulationen beschleunigen. Je nach Ihrem Profil und Ihren Interessen kann Ihre Arbeit auf einem oder mehreren der folgenden Anwendungsbereiche fokussiert sein:

• Inverse Gestaltung nichtlinearer photonischer Wellenleiter zur Erzeugung von Superkontinuum unter Verwendung von surrogate-basierter und bayesianischer Optimierung zur Erkundung großer Designräume.
• KI-unterstütztes Antennendesign, das elektromagnetische Simulationen mit datengestütztem Modellieren kombiniert, um mehrzielige Einschränkungen zu adressieren und komplexe Designräume zu erkunden.
• Physik-informierte neuronale Netzwerke (PINNs) für photonische Simulationen, Entwicklung neuronaler Surrogate, die Maxwellsche Gleichungen einbetten, um konventionelle Solver zu beschleunigen.

Ihre Verantwortlichkeiten

• Implementierung und Benchmarking von ML-Optimierungspipelines (z.B. Bayesianische Optimierung, surrogate Modellierung, evolutionäre Algorithmen), die mit physikalischen Simulatoren verbunden sind.
• Training und Evaluierung von neuronalen Netzwerkmodellen (z.B. PINNs, neuronale Operatoren) auf photonischen oder elektromagnetischen Simulationsdaten.
• Analyse der Ergebnisse, Vergleich von KI-generierten Designs mit menschlich gestalteten Baselines und Dokumentation der Ergebnisse.
• Zusammenarbeit mit Fachexperten in Photonik und Elektromagnetik, um die physikalische Konsistenz der ML-Ausgaben sicherzustellen.
• Beitrag zu internen technischen Berichten und, falls die Ergebnisse es rechtfertigen, zu Konferenz- oder Fachzeitschriftenveröffentlichungen.

Ihr Profil

Anforderungen

• Derzeit eingeschrieben in einem Masterprogramm in Elektrotechnik, Physik, Informatik oder einem verwandten Bereich.
• Solide Grundlagen in maschinellem Lernen und tiefem Lernen (Kursarbeit oder Projekterfahrung).
• Kenntnisse in Python und mindestens einem Framework für tiefes Lernen (PyTorch oder TensorFlow).
• Vertrautheit mit Git und Linux-Umgebungen.
• Gute Kommunikationsfähigkeiten in Englisch; Französisch ist von Vorteil.

Bevorzugte Qualifikationen (eine oder mehrere)

• Erfahrung mit Optimierungsmethoden (bayesianische Optimierung, genetische Algorithmen oder gradientenbasierte Optimierung).
• Einblick in physik-informiertes oder wissenschaftliches maschinelles Lernen.
• Hintergrund in Photonik, Elektromagnetik oder computergestützter Physik.
• Vorherige Erfahrung mit Simulationswerkzeugen (z.B. COMSOL oder gleichwertig).

Interpersonelle Fähigkeiten

• Neugierig, selbstmotiviert und komfortabel in einem multidisziplinären Umfeld.
• Gute Problemlösungsfähigkeiten und einen praktischen, ergebnisorientierten Ansatz.
• Starke Zusammenarbeit und Kommunikationsfähigkeiten.

Wir setzen uns für Chancengleichheit bei der Beschäftigung ein, unabhängig von Rasse, Hautfarbe, Abstammung, Religion, Geschlecht, nationaler Herkunft, sexueller Orientierung, Alter, Staatsbürgerschaft, Familienstand, Behinderung oder Geschlechtsidentität.