Machine Learning Engineer (f/m/d) in Darmstadt

Focused Energy baut die Zukunft der sauberen Energie durch lasergetriebene Inertialfusion. Unterstützt durch unsere 240 Millionen Dollar Series A – die größte vollständig gesicherte Series A in der globalen Fusionsindustrie – wachsen wir schnell in mehreren Regionen. Mit Sitz in Deutschland und den USA haben wir die besten wissenschaftlichen und ingenieurtechnischen Köpfe zusammengebracht, um bewährte Technologien zu nutzen und Fusionsenergie im kommerziellen Maßstab freizusetzen. Focused Energy arbeitet daran, bahnbrechende wissenschaftliche Innovationen zu realisieren, die eine saubere, nachhaltige und reichhaltige Energiequelle weltweit versprechen.

Ihre Rolle

Diese Rolle befindet sich an der Schnittstelle zwischen ML-Engineering und computergestützter Physik und arbeitet innerhalb unserer Software Engineering & Digital Twin-Umgebungen. Sie werden eng mit optischen Ingenieuren, Laser- und Fusionsphysikern, Simulationswissenschaftlern und Systemingenieuren zusammenarbeiten, um datengestützte Intelligenz direkt in unsere Digital Twin-Architektur einzubetten. Sie werden das Designrisiko reduzieren, Entwicklungszeiten verkürzen und systemweite Optimierungen freischalten, die rein physikbasierte Ansätze nicht in der benötigten Geschwindigkeit erreichen können.

Was Sie tun werden

• Surrogat- und reduzierte Modellierung: Entwerfen und implementieren Sie Surrogat- und reduzierte Modelle (ROMs), die hochpräzise multiphysikalische Simulationen in der Digital Twin-Umgebung ersetzen oder beschleunigen.
• Physik-informiertes ML: Entwickeln Sie physik-informiertes maschinelles Lernen (PIML) und physik-informierte neuronale Netzwerke (PINNs), die physikalische Einschränkungen direkt in die Modellarchitekturen einbetten.
• ML-Pipelines: Erstellen und pflegen Sie ML-Pipelines für Training, Validierung, Unsicherheitsquantifizierung (UQ) und kontinuierliche Modellverfeinerung anhand experimenteller und Simulationsdaten.
• Aktives Lernen & Bayesian-Optimierung: Implementieren Sie aktive Lern- und Bayesian-Optimierungs-Workflows, um die Erkundung des Designraums intelligent zu steuern und kostspielige Simulationsläufe zu reduzieren.
• Digital Twin-Integration: Integrieren Sie trainierte ML-Modelle in das umfassendere Digital Twin-Framework, das mit HPC-Simulationsausgaben (COMSOL, ANSYS, benutzerdefinierte Solver) und Echtzeit-Sensordaten interagiert.
• Anomalieerkennung: Entwickeln Sie Anomalieerkennungs- und prädiktive Diagnosmodelle zur Überwachung der Systemgesundheit und zur Identifizierung von abweichendem Verhalten in Lasersubsystemen.
• Autonome Optimierung: Wenden Sie Reinforcement Learning und Bayesian-Kontrollansätze an, um die autonome oder semi-autonome Optimierung von Laserbetriebsparametern zu unterstützen.
• Kollaboration über Fachgrenzen hinweg: Arbeiten Sie mit Digital Twin-Architekten, Systemingenieuren und optischen Simulationswissenschaftlern zusammen, um sicherzustellen, dass ML-Modelle die Anforderungen an Genauigkeit, Latenz und Unsicherheit erfüllen.
• Ingenieurmäßige Strenge: Etablieren Sie Best Practices für Modellversionierung, Reproduzierbarkeit, Tests und Dokumentation in einer schnelllebigen Forschungsumgebung.

Wer Sie sind

Must-Haves:

• Master oder PhD in Maschinenlernen, computergestützter Physik, angewandter Mathematik, Datenwissenschaft, Informatik oder einem verwandten Bereich.
• Nachgewiesene Erfahrung im Aufbau, Training und Einsatz von ML-Modellen für komplexe physikalische Systeme; fundierte Kenntnisse in Deep Learning (PyTorch, TensorFlow/JAX), probabilistischen Modellen und Unsicherheitsquantifizierung.
• Expertenkenntnisse in Python; Kenntnisse in C++ oder Fortran von Vorteil; Erfahrung mit HPC-Umgebungen (Batch-Planer, MPI/OpenMP-Parallelisierung).
• Fließend im Umgang mit PDE-basierten Simulationsausgaben, Zeitreihensensordaten und hochdimensionalen Parameterbereichen, die typisch für multiphysikalische Umgebungen sind.
• Praktische Erfahrung mit Gauß-Prozessen, neuronalen Netzwerk-Surrogaten, reduzierten Modellen oder gleichwertigen Metamodellierungstechniken.
• Erfahrung im Aufbau robuster ML-Pipelines für wissenschaftliche Daten – einschließlich Vorverarbeitung, Merkmalsengineering, Modellvalidierung und Bereitstellung.
• Fähigkeit, das Verhalten von Modellen, Konfidenzintervalle und Einschränkungen klar an Physiker, Ingenieure und Nicht-ML-Spezialisten zu kommunizieren.
• Starke Fähigkeiten zur Zusammenarbeit im Team; Komfort im interdisziplinären Umfeld, das Physik, Ingenieurwesen und Software umfasst.

Nice-to-Haves:

• Erfahrung mit physik-informierten neuronalen Netzwerken (PINNs) oder neuronalen Operatoren (DeepONet, FNO), die auf physikalische Systeme angewendet werden.
• Hintergrund in Laserphysik, Plasmaphysik, Hochenergiedichtewissenschaft oder verwandten komplexen physikalischen Bereichen.
• Erfahrung mit digitalen Zwillingsplattformen und der Live-Integration von ML-Modellen mit Simulationsumgebungen (z.B. NVIDIA Omniverse, Siemens Xcelerator, ANSYS Twin Builder).
• Vertrautheit mit multidisziplinären Designoptimierungs-Workflows (MDO), einschließlich Versuchsplanung (DoE), Sensitivitätsanalyse und Unsicherheitsausbreitung.
• Erfahrung in der Anwendung von Reinforcement Learning zur Steuerung oder Optimierung physikalischer Systeme.
• Vertrautheit mit Monte-Carlo-Methoden und statistischen Unsicherheitsquantifizierungsrahmen.
• Erfahrung mit MLOps-Tools (MLflow, Weights & Biases, DVC) im Kontext wissenschaftlicher Berechnungen.
• Interesse an Fusionsenergie, fortschrittlichen Lasersystemen oder Hochenergiedichtephysik.

Focused Energy ist ein Arbeitgeber, der Chancengleichheit bietet und sich verpflichtet hat, ein integratives Umfeld zu schaffen. Qualifizierte Bewerber werden unabhängig von Rasse, Hautfarbe, Religion, Geschlecht, sexueller Orientierung, Geschlechtswahrnehmung oder -identität, nationaler Herkunft, Alter, Familienstand, geschütztem Veteranenstatus oder Behinderungsstatus bei der Beschäftigung berücksichtigt.

Die angebotene Vergütung wird durch Faktoren wie Standort, Niveau, berufsbezogenes Wissen, Fähigkeiten und Erfahrungen bestimmt. Bestimmte Rollen können für Anreizvergütung, Eigenkapital und Leistungen in Frage kommen.