PhD position on Physics-Guided Digital Twin Development for Composition-Process-Structure-Property M

Die Position ist ein 4-jähriges PhD-Programm im Bereich der rechnergestützten Materialwissenschaften, maschinelles Lernen und digitale Zwillinge für fortschrittliche Leichtbaumaterialien.

Der Schwerpunkt des PhD-Projekts liegt auf der Entwicklung eines physikgeleiteten digitalen Zwillingsrahmens für Magnesiumlegierungen durch die Integration experimenteller Charakterisierung, Kristallplastizität, Phasenfeldmodellierung, Ausfällungsmodellierung und Ansätze des maschinellen Lernens, um quantitative Beziehungen zwischen Zusammensetzung, Prozess, Struktur und Eigenschaften zu etablieren. Das Projekt zielt darauf ab, einen nächsten Generation Integrated Computational Materials Engineering (ICME) Rahmen zu entwickeln, der in der Lage ist, die Mikrostrukturentwicklung und die resultierenden mechanischen Eigenschaften unter zuvor unbekannten Verarbeitungsbedingungen und Materialzuständen vorherzusagen.

Der Kandidat wird eng mit interdisziplinären Teams zusammenarbeiten, die Expertise in der Entwicklung von Magnesiumlegierungen, thermomechanischer Verarbeitung, Kristallplastizität, Phasenfeldmodellierung, maschinellem Lernen und fortgeschrittener experimenteller Charakterisierung kombinieren. Ziel des Projekts ist es, die Lücke zwischen rein datengestützten Materialmodellen und mechanistischen Mikrostruktursimulationen zu schließen, indem Kristallplastizität, dynamische Rekristallisation, Ausfällungskinetik und maschinelles Lernen in einem einheitlichen digitalen Zwillingsrahmen kombiniert werden. Die resultierenden Methoden sollen eine beschleunigte Legierungs- und Prozessgestaltung ermöglichen, indem experimentell validierte physikgeleitete Surrogatmodelle mit verbesserten Extrapolationsfähigkeiten über die Grenzen herkömmlicher Ansätze des maschinellen Lernens hinaus genutzt werden.

Diese Arbeit trägt direkt zur digitalen Transformation der Materialentwicklung und Fertigungstechnologien für zukünftige Anwendungen im Leichtbau bei.

Aufgaben & Verantwortlichkeiten

• Entwicklung von physikgeleiteten Modellen des maschinellen Lernens für Beziehungen zwischen Zusammensetzung, Prozess, Struktur und Eigenschaften in Magnesiumlegierungen
• Kombination von Kristallplastizität, Phasenfeld-, Ausfällungs- und maschinellen Lernansätzen in einem einheitlichen digitalen Zwillingsrahmen
• Implementierung von Simulations- und maschinellen Lern-Workflows in Python (z.B. PyTorch, Scikit-Learn, etc.)
• Integration experimenteller Mikrostruktur- und Texturcharakterisierungsdaten aus optischer Mikroskopie, SEM, EBSD, XRD und mechanischen Tests
• Untersuchung von Unsicherheitsquantifizierung und erklärbaren Methoden der künstlichen Intelligenz (XAI) für Materialmodellierung
• Validierung von rechnerischen Vorhersagen in Zusammenarbeit mit experimentellen und modellierenden Forschern
• Veröffentlichung und Präsentation wissenschaftlicher Ergebnisse in führenden internationalen Fachzeitschriften, Konferenzen und Workshops
• Aktive Mitwirkung an der Etablierung von next-generation ICME und digitalen Zwillingsmethoden für nachhaltige Leichtbaumaterialdesigns

Qualifikationen

• Masterabschluss in Maschinenbau, Materialwissenschaften, rechnergestütztem Ingenieurwesen, Physik, angewandter Mathematik, Datenwissenschaft oder einem verwandten Fachgebiet
• Starkes Interesse an rechnergestützter Materialwissenschaft, digitalen Zwillingen und maschinellem Lernen
• Gute Programmierkenntnisse in Python
• Erfahrung mit Methoden des maschinellen Lernens und gängigen wissenschaftlichen Python-Bibliotheken ist wünschenswert
• Kenntnisse in rechnergestützter Mechanik, Finite-Elemente-Methoden, Kristallplastizität, Phasenfeldmodellierung oder thermodynamischen Simulationen sind von Vorteil
• Erfahrung in der Analyse experimenteller materialwissenschaftlicher Daten ist vorteilhaft
• Fähigkeit, sowohl selbstständig als auch im Rahmen eines interdisziplinären Forschungsteams zu arbeiten
• Starke analytische und problemlösende Fähigkeiten
• Sehr gute Englischkenntnisse in Wort und Schrift
• Motivation, qualitativ hochwertige Forschung an der Schnittstelle von Materialwissenschaft, Maschinenbau und künstlicher Intelligenz durchzuführen

Arbeitsbedingungen

• Ein spannender und abwechslungsreicher Job in einem Forschungszentrum mit rund 1.000 Mitarbeitern aus mehr als 60 Nationen
• Ein International Welcome Office mit Gästeunterkünften
• 6 Wochen Urlaub pro Jahr; Betriebsferien zwischen Weihnachten und Neujahr
• Soziale Leistungen gemäß dem Tarifvertrag für den öffentlichen Dienst in Deutschland und Vergütung bis zur Entgeltgruppe 13 (EntgO Bund)
• Sehr gute Work-Life-Balance; Optionen für mobiles und flexibles Arbeiten
• Ein gut angebundener Forschungs-Campus, gute Networking-Möglichkeiten, ein subventioniertes Deutschlandticket (Jobticket) unter bestimmten Bedingungen und Lademöglichkeiten für Elektrofahrzeuge
• Individuelle Möglichkeiten zur Weiterbildung und Entwicklung
• Eine ausgezeichnete technische Infrastruktur und moderne Arbeitsplatzgeräte
• PhD Buddy Programm
• Ein familienfreundliches Arbeitsumfeld mit Betreuungsmöglichkeiten, z.B. einer Kindertagesstätte in der Nähe des Arbeitsplatzes
• Programme zur Gesundheitsförderung am Arbeitsplatz, z.B. ein Mitarbeiterhilfeprogramm (EAP)
• Unternehmensvorteile
• Ein abwechslungsreiches Angebot in der Mensa auf dem Campus

Das Helmholtz-Zentrum Hereon führt internationale Spitzenforschung für eine sich verändernde Welt durch: Rund 1.000 Mitarbeiter tragen zur Bewältigung des Klimawandels, zur nachhaltigen Nutzung der Küstensysteme der Welt und zur ressourcenschonenden Verbesserung der Lebensqualität bei. Vom Grundlagenforschung bis zu praktischen Anwendungen deckt das interdisziplinäre Forschungsspektrum ein einzigartiges Spektrum ab.

Das Institut für Material- und Prozessdesign widmet sich der nachhaltigen und ökologischen Entwicklung innovativer Materialien und Fertigungsprozesse, insbesondere für den Verkehrssektor und die Medizintechnik. Zu diesem Zweck werden Materialien maßgeschneidert und Fertigungsprozesse so gestaltet, dass Ressourcen geschont werden – von der Modellierung des Materialverhaltens über die Entwicklung des Materials bis hin zum fertigen Bauteil.