PhD Student in Electronic-Structure Machine Learning for Materials

Das Paul Scherrer Institut PSI ist das größte Forschungsinstitut der Schweiz für Natur- und Ingenieurwissenschaften. Wir führen Spitzenforschung in den Bereichen zukünftige Technologien, Energie und Klima, Gesundheitsinnovation und Grundlagen der Natur durch. Durch grundlegende und angewandte Forschung arbeiten wir an nachhaltigen Lösungen für große Herausforderungen, die die Gesellschaft, Wissenschaft und Wirtschaft betreffen. PSI engagiert sich für die Ausbildung zukünftiger Generationen, wobei etwa ein Viertel unseres Personals Postdocs, Graduierte oder Auszubildende sind. Insgesamt beschäftigt PSI 2300 Personen.

Verantwortlichkeiten

• Beitrag zur Mitentwicklung übertragbarer e-ML-Modelle, Untersuchung des Zusammenspiels zwischen Modellgestaltung, Trainingsstrategien, rechnerischer Effizienz, Übertragbarkeit und prädiktiver Genauigkeit über eine breite Palette von Materialsystmen.
• Erstellung und Pflege hochwertiger elektronischer Strukturdatensätze mithilfe automatisierter und reproduzierbarer AiiDA-basierter Workflows für das Modelltraining und Benchmarking.
• Validierung und Benchmarking der prädiktiven Leistung der Modelle für fortgeschrittene Materialeigenschaften über Standardbandstrukturen und Ladungsdichten hinaus, einschließlich Elektron-Phonon-Kopplung und Operatoren sowie Observablen, die mit Berry-Phasen und anderen elektronischen Strukturgrößen verbunden sind.
• Untersuchung der Entwicklung übertragbarer Grundmodelle für Materialien, die über das Periodensystem hinweg anwendbar sind.
• Beitrag zur Entwicklung robuster, wiederverwendbarer und effizienter Open-Source-Software und Workflows, die maschinelles Lernen mit etablierten elektronischen Strukturcodes integrieren.

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 sowie deren Implementierung in Workflows. Die Kandidaten sollten in der Lage sein, unabhängig zu arbeiten, Freude an der Zusammenarbeit in einem interdisziplinären Umfeld haben und bereit sein, methodische Entwicklungen mit realen wissenschaftlichen Anwendungen zu kombinieren. Schulung und Lernen werden ein integraler Bestandteil des Projekts sein.

Anforderungen

• Master-Abschluss (oder kurz vor dem Abschluss) in Physik, Materialwissenschaft, Chemie, Ingenieurwesen oder einem eng verwandten Bereich.
• Praktische Erfahrung mit Dichtefunktionaltheorie (DFT) für Forschung oder Projekte und/oder Erfahrung in der Entwicklung von Modellen des maschinellen Lernens, die auf Materialien angewendet werden.
• Fundierte Kenntnisse in Python für wissenschaftliches Rechnen und Datenanalyse.
• Fähigkeit, Forschungsideen und -ergebnisse in Englisch sowohl schriftlich als auch mündlich zu kommunizieren.
• Interesse an quantenmechanischen Simulationen, modernen Modellen des maschinellen Lernens, der Entwicklung neuer Berechnungsmethoden und/oder Materialmodellierung.

Vorteile

Sie werden vollständig am Paul Scherrer Institut PSI in der Gruppe für Materialsoftware und Daten von Dr. Giovanni Pizzi tätig sein und eng mit der Gruppe von Prof. Dr. Michele Ceriotti an der EPFL zusammenarbeiten. Die Doktoratsstudien umfassen Lehrveranstaltungen an der EPFL und können Lehrtätigkeiten beinhalten. Die während der Promotion erzielten Ergebnisse sollen in begutachteten Fachzeitschriften veröffentlicht und auf internationalen Konferenzen präsentiert werden.

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

Unsere Institution basiert auf einer interdisziplinären, innovativen und dynamischen Zusammenarbeit. Sie profitieren von systematischer Einarbeitung am Arbeitsplatz, zusätzlich zu persönlichen Entwicklungsmöglichkeiten und einer ausgeprägten Berufsausbildungskultur. Unsere modernen Arbeitsbedingungen unterstützen die Vereinbarkeit von Berufs- und Familienleben.

Bitte reichen Sie Ihre Bewerbung bis zum 21. Juni 2026 online ein, einschließlich eines einseitigen Anschreibens, Ihres Lebenslaufs, Ihrer Notenübersicht und der Kontaktdaten von zwei Referenzen.

Kontakt: Dr. Giovanni Pizzi