Finde einen Job 
Finde eine Ausbildung 
Top Arbeitgeber 
Top Universitäten 
Für Unternehmen Auf einen Blick
- Aufgaben: Support the development of knowledge-informed neural networks for simulation models in exciting projects.
- Arbeitgeber: Join IAV, a leader in engineering solutions, working on innovative future challenges.
- Mitarbeitervorteile: Enjoy competitive pay, flexible work arrangements, and the chance to work on real projects.
- Warum dieser Job: Gain hands-on experience with cutting-edge technology while collaborating with experts in the field.
- Gewünschte Qualifikationen: Master's student in engineering, physics, or computer science with Python and deep learning knowledge.
- Andere Informationen: Fluent English or German required; diversity and equal opportunity are core values at IAV.
Diese Herausforderung erwartet dich:
Du bist ein Masterstudent der Ingenieurwissenschaften, Physik, Informatik oder eines verwandten Fachgebiets und interessiert dich für Deep Learning und wissens- bzw. physikalisch informierte Modelle? Wir haben eine fantastische Gelegenheit für einen talentierten und motivierten Studenten, unser Team zu verstärken und uns bei der Anpassung und Entwicklung von wissensbasierten neuronalen Netzen (PINNs, PI-DeepONets, PINO, …) für den Einsatz als Simulationsersatzmodelle, z. B. in der Batterieentwicklung oder bei Windkraftanwendungen, zu unterstützen.
Deine Aufgaben:
- Du weist die Machbarkeit und Entwicklung von wissensbasierten neuronalen Netzmodellen nach, die „klassische“ FEM-, CFD- usw. basierte Simulationsmodelle ersetzen/begleiten.
- Du dokumentierst die Experimente und die Methodik.
- Du arbeitest mit unserem Team zusammen und tauscht dich mit den Forschungsabteilungen der IAV aus.
Notwendige Kenntnisse:
- Laufendes Masterstudium in der Fachrichtung Ingenieurswesen, Physik, Informatik oder einem verwandten Fachgebiet.
- Kenntnisse im wissenschaftlichen Rechnen, vorzugsweise in Python.
- Grundlegendes Verständnis von typischen partiellen Differentialgleichungen (Poisson, Wellengleichung, CFD, …).
- Erfahrung mit DL-Frameworks und wissenschaftlichen Modulen (Torch, TensorFlow, …).
- Vertrautheit mit Werkzeugen zur kollaborativen Softwareentwicklung (z. B. git).
- Fließende Englisch- oder Deutschkenntnisse auf min. C1-Niveau.
Gewünschte Kenntnisse:
- Erfahrung mit wissensinformierten neuronalen Netzmodellen (PINNs, PI-DeepONets, PINO, …).
- Grundlegendes Gespür für physikalische Prozesse und Plausibilität von Simulationsergebnissen.
- Kenntnisse in der Arbeit auf entfernten Maschinen (Docker, Kubernetes, ssh).
Das Entgelt richtet sich nach unserem Mantel- und Entgelttarifvertrag. Aktuell beträgt der Stundenlohn für diese Position 17,52 EUR.
Das spricht für uns:
Als Student:in arbeitest du bei IAV nicht irgendwo, sondern mittendrin. In echten Projekten. An spannenden Zukunftsaufgaben. Voll integriert und im Schulterschluss mit IAV-Expert:innen. Viel Verantwortung und gleichzeitig viel Freiraum, um Uni und Arbeit zusammen zu bringen: So entstehen beste Perspektiven für deine berufliche Entwicklung. Bei attraktiver Vergütung nach unserem Haustarifvertrag.
Uns sind Vielfalt und Chancengleichheit wichtig. Für uns zählt der Mensch mit seiner Persönlichkeit und seinen Stärken. #J-18808-Ljbffr
Werkstudent:in - Knowledge Informed Neural Networks as Simulation Models Arbeitgeber: IAV GmbH
Kontaktperson:
IAV GmbH HR Team
StudySmarter Bewerbungstipps 🤫
So bekommst du den Job: Werkstudent:in - Knowledge Informed Neural Networks as Simulation Models
✨Tip Nummer 1
Nutze dein Netzwerk! Sprich mit Kommilitonen, Professoren oder in Fachgruppen über die Stelle. Oftmals können persönliche Empfehlungen den Unterschied machen und dir einen Fuß in die Tür verschaffen.
✨Tip Nummer 2
Zeige deine Leidenschaft für Deep Learning und wissensbasierte Modelle! Bereite dich darauf vor, in einem Gespräch konkrete Beispiele zu nennen, wie du dich mit diesen Themen auseinandergesetzt hast, sei es durch Projekte, Praktika oder eigene Studien.
✨Tip Nummer 3
Informiere dich über aktuelle Trends und Entwicklungen im Bereich der wissensinformierten neuronalen Netze. Das zeigt nicht nur dein Interesse, sondern gibt dir auch wertvolle Gesprächsgrundlagen während des Interviews.
✨Tip Nummer 4
Bereite dich auf technische Fragen vor! Da du Kenntnisse in Python und wissenschaftlichem Rechnen benötigst, solltest du sicherstellen, dass du deine Fähigkeiten in diesen Bereichen demonstrieren kannst, sei es durch praktische Übungen oder durch das Lösen von Beispielaufgaben.
Diese Fähigkeiten machen dich zur top Bewerber*in für die Stelle: Werkstudent:in - Knowledge Informed Neural Networks as Simulation Models
Tipps für deine Bewerbung 🫡
Verstehe die Anforderungen: Lies die Stellenbeschreibung sorgfältig durch und achte auf die geforderten Kenntnisse und Fähigkeiten. Stelle sicher, dass du alle relevanten Punkte in deiner Bewerbung ansprichst.
Betone deine Qualifikationen: Hebe in deinem Lebenslauf und Anschreiben hervor, wie deine Studienrichtung und bisherigen Erfahrungen mit den geforderten Kenntnissen übereinstimmen, insbesondere in Bezug auf Deep Learning und wissenschaftliches Rechnen.
Dokumentiere deine Projekte: Wenn du an relevanten Projekten gearbeitet hast, dokumentiere diese ausführlich. Zeige, wie du mit neuronalen Netzmodellen oder ähnlichen Technologien gearbeitet hast und welche Ergebnisse du erzielt hast.
Sprache und Stil: Achte darauf, dass dein Anschreiben und Lebenslauf klar und professionell formuliert sind. Verwende eine Sprache, die zu der ausgeschriebenen Position passt, und stelle sicher, dass du sowohl in Deutsch als auch in Englisch kommunizieren kannst.
Wie du dich auf ein Vorstellungsgespräch bei IAV GmbH vorbereitest
✨Verstehe die Grundlagen der Modelle
Stelle sicher, dass du ein solides Verständnis von wissensbasierten neuronalen Netzen (PINNs, PI-DeepONets, PINO) hast. Bereite dich darauf vor, Fragen zu diesen Modellen und deren Anwendung in der Simulation zu beantworten.
✨Zeige deine Programmierkenntnisse
Bereite Beispiele aus deinen bisherigen Projekten vor, die deine Fähigkeiten in Python und den Umgang mit DL-Frameworks wie Torch oder TensorFlow demonstrieren. Zeige, wie du wissenschaftliches Rechnen in deinen Arbeiten angewendet hast.
✨Bereite dich auf technische Fragen vor
Erwarte technische Fragen zu partiellen Differentialgleichungen und deren Anwendung in der Simulation. Sei bereit, deine Kenntnisse über FEM, CFD und andere relevante Methoden zu erläutern.
✨Kommunikation ist der Schlüssel
Da du im Team arbeiten wirst, ist es wichtig, deine Kommunikationsfähigkeiten zu zeigen. Übe, komplexe technische Konzepte einfach und klar zu erklären, sowohl auf Englisch als auch auf Deutsch.