Machine Learning Data Scientist posting in München

Bei Differential Bio ist es unsere Mission, das Potenzial der Bioökonomie zu erschließen, indem wir die Art und Weise verbessern, wie biologische F&E und Skalierung durchgeführt werden. Wir suchen einen Machine Learning Data Scientist, der unserem wachsenden, innovativen Modellierungsteam beitritt. Sie werden neuartige maschinelle Lernalgorithmen und mechanistische Modelle von Bioprozesssystemen entwickeln und diese von der Forschung bis zur produktionsreifen kommerziellen Nutzung vorantreiben.

Diese Rolle konzentriert sich auf Forschung, einschließlich der Erstellung hybrider Modelle, die mechanistische und maschinelle Lernansätze kombinieren, um vorherzusagen, wie mikrobiologische Fermentationen ablaufen, und die weiterhin funktionieren, wenn wir zu einem neuen Organismus, einem neuen Sensor oder einem größeren Reaktor wechseln. Sie werden eine entscheidende Rolle bei zwei bestehenden Förderprojekten spielen und mit führenden akademischen Gruppen und Industriepartnern an Pilot- und Produktionsdaten arbeiten. Darüber hinaus werden Sie neue Forschungsprojekte entwickeln und diese bis zur Fertigstellung und Anwendung in Kundenprojekten vorantreiben.

Wir interessieren uns für Forscher, die möchten, dass ihre Arbeit in echten Bioreaktoren endet und die begeistert sind, in einem Startup in der Frühphase zu arbeiten. Sie sollten bereit sein, schwierige, offene Probleme zu übernehmen, bei denen noch niemand die Antwort hat, evidenzbasierte Entscheidungen unter Unsicherheit zu treffen und reale Lösungen zu liefern.

Wie Sie arbeiten werden:

• Sie werden mit technischen Leitern und externen akademischen/industriellen Partnern zusammenarbeiten, um Forschung zu entwerfen und durchzuführen, die unseren Verpflichtungen in Konsortien entspricht und unsere eigene Plattform stärkt.
• Sie werden Ihre Forschungsprojekte von der Planung bis zur Lieferung eigenverantwortlich leiten, mit Unterstützung unseres Modellierungsleiters, aber mit Autonomie und Unabhängigkeit.
• Sie werden eng mit unseren Teams im Bereich Nasslabor, Trockenlabor und Software zusammenarbeiten und identifizieren, welche Daten Sie aus unserem Robotiklabor generieren müssen.

Hauptverantwortlichkeiten:

• Entwicklung hybrider mechanistischer/ML-Zellreaktionsmodelle, die Fermentationsergebnisse (Wachstum, Titer, Ausbeute, Produktivität) aus Prozess- und Sensordaten vorhersagen.
• Fusion von Zeitreihensignalen aus prozessanalytischer Technologie (Raman, NIR, dielektrische Spektroskopie, gelöster Sauerstoff, Abgas) mit Offline-Analytik.
• Aufbau mechanistischer Rückgratmodelle (z.B. kinetische/ODE-Modelle, genomweite Stoffwechselmodelle), die das Lernen einschränken und synthetische Trainingsdaten generieren.
• Entwicklung von maschinellen Lernsurrogatmodellen für rechenintensive mechanistische Simulationen.
• Quantifizierung von Unsicherheiten, damit Modelle in hochriskanten Produktionsumgebungen vertrauenswürdig sind.
• Übertragung zwischen Organismen und Skalen.
• Entwurf von Modellen, die vom Labor über Pilot- und Produktionsmaßstab hinweg übertragen werden können, und über verschiedene Mikroben, einschließlich Bakterien und Hefen.
• Verwendung von Transferlernen und Repräsentationslernen, um gute Vorhersagen für neue Stämme und Prozesse mit wenig Daten zu treffen.
• Entwicklung skalierbarer Reaktorkarakterisierungen und prädiktiver KPI-Modelle für die Skalierung.
• Aufbau der KI/ML-Schicht für nichtlineare modellprädiktive Steuerung (NMPC) und verstärkungsbasierten Fütterungsstrategien zur dynamischen Optimierung von Titer, Rate und Ausbeute.
• Fusion von Echtzeitdaten aus prozessanalytischer Technologie (PAT) und weichen Sensoren (z.B. Raman, NIR) in dynamische Zustandsabschätzer zur Steuerung geschlossener Bioreaktor-Aktoren (Fütterung, Luft, Rühren).
• Prototypisierung einfacher, umsetzbarer Schritte auf dem Weg, wie z.B. Abweichungserkennung und Betreiberwarnungen.
• Entwurf von Steuerungsrahmenwerken zur proaktiven Lösung metabolischer Engpässe und zur robusten Berücksichtigung von Modellunsicherheiten, Batch-zu-Batch-Variabilität und inhärenter bioprozessualer Stochastik.

Qualifikationen:

• PhD in Maschinenlernen, Bioengineering, computergestützter Biologie oder einem verwandten Bereich oder ein Master-Abschluss mit mehr als 3 Jahren relevanter Branchenerfahrung.
• Starke Forschungsunabhängigkeit; Fähigkeit, neuartige wissenschaftliche Arbeiten von Anfang bis Ende zu planen und durchzuführen.
• Nachweisbare Forschungsbeiträge, einschließlich (aber nicht beschränkt auf): peer-reviewed Zeitschriften- oder Konferenzartikel, Konferenzteilnahmen, Open-Source-Beiträge.
• Starke Kenntnisse in Python und modernen ML-Tools (z.B. PyTorch/JAX, scikit-learn).
• Praktische Erfahrung im Aufbau von Modellen dynamischer Systeme oder Zeitreihendaten, idealerweise unter Kombination mechanistischer und datengestützter Ansätze.
• Erfahrung mit fortschrittlichen Codierungsmodellen, einschließlich Multi-Agenten-Orchestrierung.
• Klare schriftliche und mündliche Kommunikation, auch mit Nicht-ML-Partnern.

Nice-to-have:

• Erfahrung mit Bioprozess- oder Fermentationsdaten, idealerweise aus Bioreaktoren in mehr als einem Maßstab.
• Erfahrung mit Raman, NIR oder anderen spektroskopischen Daten und Chemometrie (z.B. PLS).
• Hintergrund in modellprädiktiver Kontrolle, verstärkendem Lernen oder optimaler Kontrolle.
• Erfahrung mit Transferlernen, Domänenanpassung oder Repräsentationslernen auf biologischen Daten.
• Vertrautheit mit genomweiten Stoffwechselmodellen oder kinetischer Modellierung.
• Erfahrung mit bayesianischen Methoden, Unsicherheitsquantifizierung oder Versuchsplanung.
• Erfahrung in kollaborativen oder öffentlich geförderten Forschungsprojekten (z.B. Horizon Europe, Eurostars).

Wettbewerbsfähige Vergütung durch Gehalt + Aktienoptionen; wir möchten ein kleines, aber leistungsstarkes Team aufbauen und denken über die Vergütung in diesem Sinne nach; Bauen Sie Ihr Forschungsprofil auf: Arbeiten Sie an offenen Problemen mit führenden europäischen akademischen und industriellen Partnern, mit der Absicht, Ihre Arbeit zu präsentieren und zu veröffentlichen; Ein schönes Büro im Herzen von München oder die Möglichkeit zur Remote-Arbeit mit gelegentlichen Reisen.

Remote-Vollzeit: 10.000–120.000 USD/Jahr oder 80.000–100.000 USD/Jahr.