Deutschland
WorkMotion
Focused
Machine Learning Engineer (w/m/d)
RemoteDeutschland
Darmstadt, Hesse, Germany
PythonC++
Automatische Übersetzung. Prüfe das Original.
Über die Stelle
Focused Energy gestaltet die Zukunft der sauberen Energie durch lasergetriebene Trägheitsfusion. Gestützt auf unsere Serie A mit $240 Mio. – die größte vollständig gesicherte Serie A in der globalen Fusionsindustrie – skalieren wir schnell über mehrere Regionen hinweg.
Mit Sitz in Deutschland und den USA haben wir die besten wissenschaftlichen und technischen Köpfe zusammengebracht, um mit bewährten Technologien die Fusionsenergie im kommerziellen Maßstab zu erschließen. Focused Energy arbeitet daran, bahnbrechende wissenschaftliche Innovationen zu realisieren, die versprechen, eine saubere, nachhaltige und reichlich vorhandene Energiequelle weltweit zu liefern.
Ihre Rolle
Diese Rolle liegt an der Schnittstelle von ML Engineering und computergestützter Physik und ist in unseren Umgebungen für Software Engineering & Digital Twin angesiedelt. Sie werden eng mit optischen Ingenieuren, Laser- und Fusionsphysikern, Simulationswissenschaftlern und Systemingenieuren zusammenarbeiten, um datengesteuerte Intelligenz direkt in unsere Digital Twin-Architektur zu integrieren. Sie werden das Entwicklungsrisiko reduzieren, die Entwicklungszeiten verkürzen und Systemoptimierungen erschließen, die rein physikbasierte Ansätze nicht mit der von uns benötigten Geschwindigkeit erreichen können.
Sie werden machine learning-Modelle entwerfen, erstellen und bereitstellen, die unsere multiphysikalischen Simulationsumgebungen für unsere Hochenergielasersysteme, Zielinjektions- und -verfolgungssysteme, Zielherstellungssysteme und Fusionskammern verbessern, beschleunigen und ergänzen. Dies ermöglicht schnellere Designzyklen, prädiktive Systemoptimierung und Echtzeit-Entscheidungsunterstützung für unsere Laser-, Ziel- und Fusionsprogramme.
Was Sie tun werden
- Surrogat- und Reduced-Order-Modellierung: Entwerfen und Bereitstellen von Surrogat- und Reduced-Order-Modellen (ROMs), die hochauflösende multiphysikalische Simulationen in der Digital Twin-Umgebung ersetzen oder beschleunigen
- Physik-informiertes ML: Entwicklung von physik-informiertem machine learning (PIML) und physik-informierten neuronalen Netzen (PINNs), die physikalische Randbedingungen (Maxwell-Gleichungen, Thermodynamik, Fluiddynamik) direkt in Modellarchitekturen einbetten
- ML-Pipelines: Erstellen und Pflegen von ML-Pipelines für Training, Validierung, Unsicherheitsquantifizierung (UQ) und kontinuierliche Modellverfeinerung anhand von experimentellen und Simulationsdaten
- Aktives Lernen & Bayes'sche Optimierung: Implementieren von Workflows für aktives Lernen und Bayes'sche Optimierung zur intelligenten Steuerung der Erkundung des Designraums und zur Reduzierung kostspieliger Simulationsläufe
- Integration in Digital Twin: Integration trainierter ML-Modelle in das breitere Digital Twin-Framework, Schnittstellen zu HPC-Simulationsausgaben (COMSOL, ANSYS, benutzerdefinierte Solver) und Echtzeit-Sensordaten
- Anomalieerkennung: Entwicklung von Modellen zur Anomalieerkennung und prädiktiven Diagnose zur Überwachung des Systemzustands und zur Identifizierung von nicht-nominalem Verhalten in Laser-Subsystemen
- Autonome Optimierung: Anwendung von Reinforcement Learning und Bayes'schen Steuerungsansätzen zur Unterstützung der autonomen oder semi-autonomen Optimierung von Laserbetriebsparametern
- Funktionsübergreifende Zusammenarbeit: Zusammenarbeit mit Digital Twin-Architekten, Systemingenieuren und optischen Simulationswissenschaftlern, um sicherzustellen, dass ML-Modelle die Anforderungen an Genauigkeit, Latenz und Unsicherheit erfüllen
- Ingenieurmäßige Strenge: Festlegen von Best Practices für Modellversionierung, Reproduzierbarkeit, Tests und Dokumentation in einem sich schnell entwickelnden Forschungsumfeld
Wer Sie sind
Voraussetzungen
- Master-Abschluss oder Promotion in Machine Learning, computergestützter Physik, angewandter Mathematik, Data Science, Informatik oder einem eng verwandten Fachgebiet
- Nachgewiesene Erfahrung im Aufbau, Training und Einsatz von ML-Modellen für komplexe physikalische Systeme; starke Beherrschung von deep learning (PyTorch, TensorFlow/JAX), probabilistischen Modellen und Unsicherheitsquantifizierung
- Expertenkenntnisse in Python; Kenntnisse in C++ oder Fortran von Vorteil; Erfahrung mit HPC-Umgebungen (Batch-Scheduler, MPI/OpenMP-Parallelisierung)
- Fließende Arbeitsweise mit PDE-basierten Simulationsausgaben, Zeitreihen-Sensordaten und hochdimensionalen Parameterbereichen, wie sie in multiphysikalischen Umgebungen typisch sind
- Praktische Erfahrung mit Gauß-Prozessen, neuronalen Netzwerk-Surrogaten, Reduced-Order-Modellen oder gleichwertigen Metamodellierungstechniken
- Erfahrung im Aufbau robuster ML-Pipelines für wissenschaftliche Daten – einschließlich Vorverarbeitung, Feature Engineering, Modellvalidierung und Bereitstellung
- Fähigkeit, das Modellverhalten, Konfidenzintervalle und Einschränkungen klar an Physiker, Ingenieure und Nicht-ML-Spezialisten zu kommunizieren
- Starke teamübergreifende Fähigkeiten; Komfort bei der Arbeit in einem interdisziplinären Umfeld, das Physik, Ingenieurwesen und Software umfasst
Von Vorteil
- Erfahrung mit physik-informierten neuronalen Netzen (PINNs) oder neuronalen Operatoren (DeepONet, FNO), angewendet auf physikalische Systeme
- Hintergrund in Laserphysik, Plasmaphysik, Hochenergiedichte-Wissenschaft oder verwandten komplexen physikalischen Domänen
- Erfahrung mit Digital Twin-Plattformen und Live-Integration von ML-Modellen mit Simulationsumgebungen (z. B. NVIDIA Omniverse, Siemens Xcelerator, ANSYS Twin Builder)
- Kenntnisse von Workflows für multidisziplinäre Designoptimierung (MDO), einschließlich Design of Experiments (DoE), Sensitivitätsanalyse und Unsicherheitsfortpflanzung
- Erfahrung in der Anwendung von Reinforcement Learning zur Steuerung oder Optimierung physikalischer Systeme
- Kenntnisse von Monte-Carlo-Methoden und statistischen Unsicherheitsquantifizierungs-Frameworks
- Erfahrung mit MLOps-Tools (MLflow, Weights & Biases, DVC) im wissenschaftlichen Computing-Kontext
- Interesse an Fusionsenergie, fortschrittlichen Lasersystemen oder Hochenergiedichte-Physik
Focused Energy ist ein Arbeitgeber, der Chancengleichheit fördert und sich für die Schaffung eines integrativen Umfelds einsetzt. Qualifizierte Bewerber erhalten eine Anstellung ohne Berücksichtigung von Rasse, Hautfarbe, Religion, Geschlecht, sexueller Orientierung, Geschlechtswahrnehmung oder -identität, nationaler Herkunft, Alter, Familienstand, Veteranenstatus oder Behinderungsstatus.
Gemäß der San Francisco Fair Chance Ordinance wird Focused Energy qualifizierte Bewerber mit Festnahme- und Verurteilungsakten für eine Anstellung berücksichtigen.
Die angebotene Vergütung wird anhand von Faktoren wie Standort, Niveau, fachspezifischem Wissen, Fähigkeiten und Erfahrung bestimmt. Bestimmte Rollen können Anspruch auf variable Vergütung, Aktienoptionen und Leistungen haben.
Mehr Möglichkeiten mit einem Profil
Für mehr Stellen berücksichtigt werden, ohne den ganzen Prozess zu wiederholen? Erstellen Sie Ihr Profil, damit Unternehmen auf Nort Sie finden.
Profil erstellen