PhD Student in Electronic-Structure Machine Learning for Materials

Das Paul Scherrer Institut PSI ist ein führendes Forschungszentrum in der Schweiz, das bahnbrechende Forschung in Zukunftstechnologien, Energie, Klima, Gesundheit und grundlegender Wissenschaft betreibt. Dieses PhD-Projekt ist Teil des Schweizer Projekts „Learning the electrons“, das darauf abzielt, nächste Generationen von Machine-Learning-Modellen zu entwickeln, die die elektronische Struktur und die Eigenschaften fortschrittlicher Materialien mit hoher Genauigkeit und Effizienz vorhersagen.

Verantwortlichkeiten

• Co-Entwicklung übertragbarer e-ML-Modelle, Untersuchung des Modedesigns, der Trainingsstrategien, der rechnerischen Effizienz und der prädiktiven Genauigkeit über eine breite Palette von Materialsystmen.
• Generierung und Kuratierung hochwertiger elektronischer Strukturdatensätze unter Verwendung automatisierter und reproduzierbarer AiiDA-basierter Workflows für das Modelltraining und Benchmarking.
• Validierung und Benchmarking der prädiktiven Leistung der Modelle für fortschrittliche Materialeigenschaften über Standardbandstrukturen und Ladungsdichten hinaus, einschließlich Elektron-Phonon-Kopplung und Berry-Phasen-bezogene Operatoren.
• Untersuchung der Entwicklung übertragbarer Grundmodelle für Materialien, die über das Periodensystem hinweg angewendet werden können.
• Beitrag zur Entwicklung robuster, wiederverwendbarer und effizienter Open-Source-Software und Workflows, die Machine-Learning-Frameworks mit etablierten Codes zur elektronischen Struktur integrieren.

Ihr Profil

Wir suchen einen hochmotivierten Kandidaten mit einem Hintergrund in computergestützter Materialwissenschaft oder Festkörperphysik und einem ausgeprägten Interesse an der Entwicklung und Anwendung fortschrittlicher Simulationsmethoden in Workflows. Der erfolgreiche Bewerber wird in der Lage sein, unabhängig zu arbeiten, interdisziplinäre Zusammenarbeit zu genießen und methodische Entwicklungen mit realen wissenschaftlichen Anwendungen zu kombinieren. Training und Lernen sind integrale Bestandteile des Projekts, daher sind Experten in allen Techniken nicht von Anfang an erforderlich.

Anforderungen

• Master-Abschluss (oder kurz vor dem Abschluss) in Physik, Materialwissenschaft, Chemie, Ingenieurwesen oder einem eng verwandten Bereich.
• Praktische Erfahrung mit der Dichtefunktionaltheorie (DFT) für Forschung oder Projekte und/oder Erfahrung in der Entwicklung von Machine-Learning-Modellen, 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 im Gespräch.
• Interesse an quantenmechanischen Simulationen, modernen Machine-Learning-Modellen und der Entwicklung neuer rechnerischer Methoden und Materialmodellierungen.

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

Vorteile

Unsere Institution bietet ein dynamisches Zusammenarbeitsumfeld und systematische Schulungen am Arbeitsplatz sowie persönliche Entwicklungsmöglichkeiten und eine ausgeprägte Berufsausbildungskultur. Moderne Arbeitsbedingungen und die Infrastruktur vor Ort unterstützen eine optimale Work-Life-Balance.