PhD Student in Electronic-Structure Machine Learning for Materials (Index-Nr. 7301-28526)

Das Paul Scherrer Institut PSI ist das größte Forschungsinstitut für Natur- und Ingenieurwissenschaften in der Schweiz. Wir führen Spitzenforschung in den Bereichen zukünftige Technologien, Energie und Klima, Gesundheitsinnovation und Grundlagen der Natur durch. Durch grundlegende und angewandte Forschung arbeiten wir an nachhaltigen Lösungen für große Herausforderungen, die die Gesellschaft, Wissenschaft und Wirtschaft betreffen. PSI engagiert sich für die Ausbildung zukünftiger Generationen. Daher sind etwa ein Viertel unserer Mitarbeiter Postdocs, Absolventen oder Auszubildende. Insgesamt beschäftigt PSI 2300 Personen.

Dieses PhD-Projekt ist Teil des neuen Schweizer Projekts „Learning the electrons: Design, training and application of a general model of the electronic structure of matter“, das darauf abzielt, Modelle des maschinellen Lernens für die Elektronenstrukturtheorie zu entwickeln. Basierend auf den jüngsten Fortschritten in maschinell gelernten interatomaren Potenzialen und Simulationen der Elektronenstruktur zielt das Projekt darauf ab, übertragbare und skalierbare Modelle zu schaffen, die nicht nur Energien und Kräfte, sondern auch fortgeschrittene elektronische Eigenschaften von Materialien mit hoher Genauigkeit und Effizienz vorhersagen können.

Das Projekt kombiniert Entwicklungen im maschinellen Lernen, quantenmechanische Simulationen und wissenschaftliche Softwareinfrastruktur und wird gemeinsam von Dr. Giovanni Pizzi (PSI) und Prof. Dr. Michele Ceriotti (EPFL) geleitet. Das Ziel ist es, Ansätze des maschinellen Lernens zu entwickeln und anzuwenden, die eine explizite Darstellung der elektronischen Struktur von Materialien ermöglichen und die Vorhersage fortgeschrittener elektronischer Eigenschaften über Standard-interatomare Potenziale hinaus ermöglichen.

Für die Materials Software and Data Group im Labor für Materials Simulations des PSI Center for Scientific Computing, Theory and Data suchen wir einen PhD-Studenten im Bereich Electronic-Structure Machine Learning für Materialien.

• Beitrag zur Mitentwicklung übertragbarer e-ML-Modelle, Untersuchung des Zusammenspiels zwischen Modellgestaltung, Trainingsstrategien, rechnerischer Effizienz, Übertragbarkeit und prädiktiver Genauigkeit über ein breites Spektrum von Materials Systemen.
• Generierung und Pflege hochwertiger Datensätze zur Elektronenstruktur unter Verwendung automatisierter und reproduzierbarer AiiDA-basierter Workflows für das Modelltraining und Benchmarking.
• Validierung und Benchmarking der prädiktiven Leistung der Modelle für fortgeschrittene Materialeigenschaften über Standardbandstrukturen und Ladungsdichten hinaus, einschließlich Elektron-Phonon-Kopplung und Operatoren sowie Observablen, die mit Berry-Phasen und anderen Größen der Elektronenstruktur verbunden sind.
• Erforschung der Entwicklung übertragbarer Grundmodelle für Materialien, die über das Periodensystem hinweg anwendbar sind.
• Beitrag zur Entwicklung robuster, wiederverwendbarer und effizienter Open-Source-Software und Workflows, die maschinelle Lernframeworks mit etablierten Codes zur Elektronenstruktur integrieren.

Wir suchen einen hochmotivierten Kandidaten mit einem Hintergrund in computergestützter Materialwissenschaft oder Festkörperphysik und einem ausgeprägten Interesse an der Entwicklung und Anwendung fortschrittlicher Simulationsmethoden sowie deren Implementierung in Workflows. Sie haben Erfahrung in der eigenständigen Arbeit, genießen jedoch auch die Zusammenarbeit in einem interdisziplinären und kollaborativen Umfeld und sind bestrebt, methodische Entwicklungen mit realen wissenschaftlichen Anwendungen zu kombinieren. Wir erwarten nicht, dass die Kandidaten zu Beginn des PhD-Programms Experten in allen Techniken sind; Schulung und Lernen werden ein integraler Bestandteil des Projekts sein.

Die Anforderungen an die Kandidaten umfassen:

• Master-Abschluss (oder kurz vor dem Abschluss) in Physik, Materialwissenschaft, Chemie, Ingenieurwesen oder einem eng verwandten Bereich.
• Praktische Erfahrung mit Dichtefunktionaltheorie (DFT) für Forschung oder Projekte und/oder Erfahrung in der Entwicklung von Modellen des maschinellen Lernens (ML), die auf Materialien angewendet werden.
• Fundierte Kenntnisse in Python für wissenschaftliches Rechnen und Datenanalyse.
• Komfortables Kommunizieren von Forschungsideen und -ergebnissen in Englisch, sowohl schriftlich als auch mündlich.
• Interesse an quantenmechanischen Simulationen, modernen Modellen des maschinellen Lernens, der Entwicklung neuer Berechnungsmethoden und/oder Materialmodellierung.

Sie werden vollständig am Paul Scherrer Institut PSI in der Materials Software and Data Group von Dr. Giovanni Pizzi tätig sein und eng mit der Gruppe von Prof. Dr. Michele Ceriotti an der EPFL zusammenarbeiten. Sie werden im Doktorandenprogramm in Materialwissenschaft und Ingenieurwesen EDMX an der EPFL eingeschrieben. Die Doktoratsstudien umfassen Lehrveranstaltungen an der EPFL und können Lehrtätigkeiten beinhalten. Die während des PhD erzielten Ergebnisse werden voraussichtlich in begutachteten Fachzeitschriften veröffentlicht und auf internationalen Konferenzen präsentiert.

Wir sind überzeugt, dass unser Forschungsteam am besten funktioniert, wenn es maximal vielfältig ist, und ermutigen insbesondere Bewerbungen von Mitgliedern unterrepräsentierter Gruppen.

Zusätzliche Informationen

Wir bieten:

Unsere Institution basiert auf einer interdisziplinären, innovativen und dynamischen Zusammenarbeit. Sie profitieren von einer systematischen Einarbeitung, zusätzlich zu persönlichen Entwicklungsmöglichkeiten und unserer ausgeprägten Berufsausbildungskultur. Wenn Sie Arbeit und Familienleben oder andere persönliche Interessen optimal kombinieren möchten, können wir Sie mit unseren modernen Arbeitsbedingungen und der Infrastruktur vor Ort unterstützen.

Bitte reichen Sie Ihre Bewerbung bis zum 21. Juni 2026 online ein, einschließlich eines einseitigen Anschreibens, in dem Sie Ihr Interesse an der Position und wie Ihr Hintergrund Sie auf diese Rolle vorbereitet, zusammenfassen, Ihren Lebenslauf, Ihre Notenübersicht und Kontaktdaten von zwei Referenzen.