Blätter-Navigation

An­ge­bot 24 von 75 vom 06.04.2021, 00:00

logo

Freie Uni­ver­si­tät Ber­lin - Fach­be­reich Mathe­ma­tik und Infor­ma­tik - Insti­tut für Mathe­ma­tik

Wiss. Mit­ar­bei­ter/-in (Pra­e­doc) (m/w/d

mit 65%-Teil­zeit­be­schäf­ti­gung
befris­tet auf 3 Jahre
Ent­gelt­gruppe 13 TV-L FU
Ken­nung: Frei­geist PhD 2021

Auf­ga­ben­be­sch­rei­bung:

Am Fach­be­reich Mathe­ma­tik und Infor­ma­tik der Freien Uni­ver­si­tät Ber­lin bie­ten wir eine Dok­to­ran­den­stelle (m/w/d) an der Schnitt­stelle der For­schungs­fel­der Kli­ma­mo­del­lie­rung, sto­chas­ti­sche Dif­fe­ren­ti­al­glei­chun­gen und Machine Lear­ning, mit geplan­tem Start zum 1.10.2021.
Die erfolg­rei­chen Kan­di­da­ten / Kan­di­da­tin­nen wer­den Teil der For­schungs­gruppe “Pre­dic­tion of abrupt tran-siti­ons and extre­mes in the Earth sys­tem”. 


Über das Pro­jekt:
Ange­sichts des anhal­ten­den Kli­ma­wan­dels bestehen zwei zen­trale Her­aus­for­de­run­gen der Erd­sys­tem­wis­sen­schaf­ten darin, mög­li­che Ver­än­de­run­gen bei extre­men Wet­ter­er­eig­nis­sen und abrupte Zustands­wech­sel insta­bi­ler Teil­sys­teme des Erd­sys­tems vor­her­zu­sa­gen. In aktu­el­len Erd­sys­tem­mo­del­len (ESMs) wer­den viele Pro­zesse nicht expli­zit auf­ge­löst, son­dern durch empi­ri­sche Glei­chun­gen mit freien Para­me­tern appro­xi­miert, was zu struk­tu­rel­len Modell­feh­lern führt. Diese Feh­ler sind so klein, dass ESMs so kali­briert wer­den kön­nen, dass sie die kli­ma­ti­schen Mit­tel­werte der letz­ten 150 Jahre repro­du­zie­ren, für die instru­men­telle Beob­ach­tungs­da­ten zur Ver­fü­gung ste­hen. Aller­dings haben die glei­chen Modelle Pro­bleme bei der Simu­la­tion von Extre­men und bei der Repro­duk­tion abrup­ter Über­gänge, wie sie in paläo­kli­ma­ti­schen Auf­zeich­nun­gen nach­ge­wie­sen wur­den. Das Ver­trauen, dass ESMs sich ver­än­dernde Cha­rak­te­ris­ti­ken von Extre­mer­eig­nis­sen und zukünf­tige abrupte Über­gänge zuver­läs­sig vor­her­sa­gen kön­nen, ist daher nicht so hoch wie gewünscht. Um struk­tu­relle ESM-Feh­ler zu berück­sich­ti­gen, wird die Gruppe Tech­ni­ken des Machine Lear­ning - ins­be­son­dere sys­te­ma­ti­sche Bayes'sche Infe­renz und Künst­li­che Neu­ro­nale Netze (KNNs) - wei­ter­ent­wi­ckeln, um hybride Modelle zu ent­wi­ckeln, die ANNs mit phy­si­ka­lisch basier­ten ESMs kom­bi­nie­ren. 


Auf­ga­ben­ge­biet
Von den Kan­di­da­ten/Kan­di­da­tin­nen wird erwar­tet, dass sie an fol­gen­den The­men arbei­ten:
  • Sta­tis­ti­sche Metho­den (z.B. Metho­den der Bayes’sche Infe­renz wie Mar­kov Chain Monte Carlo sam­pling), um Modelle vari­ie­ren­der Kom­ple­xi­tät zu kali­brie­ren, von kon­zep­tio­nel­len Erd­sys­tem­mo­del­len bis zu soge­nann­ten „Earth sys­tem models of inter-mediate com­ple­xity“ (EMICs)

  • Zeit­rei­hen­ana­lyse und Unsi­cher­heits­quan­ti­fi­ka­tion kli­ma­ti­scher Zeit­rei­hen paleo­kli­ma­ti­scher Proxy Archive, in denen abrupte Kli­ma­wech­sel der Ver­gan­gen­heit auf­ge­zeich­net sind

  • KNNs (z.B. Reser­voir Com­pu­ter) und andere Machine Lear­ning Tech­ni­ken zur semi-empi­ri­schen Model­lie­rung rele­van­ter phy­si­ka­li­scher Pro­zesse im Erd­sys­tem

Er­war­te­te Qua­li­fi­ka­tio­nen:

  • Mas­ter Abschluss in theo­re­ti­scher Phy­sik oder Mathe­ma­tik

Erwünscht:

  • Exzel­lente Pro­gram­mier­kennt­nisse in Python und inten­sive Erfah­rung in der nume­ri­schen und sta­tis­ti­schen Ana­lyse simu­lier­ter und beob­ach­te­ter Daten und Zeit­rei­hen sind Vor­aus­set­zung
  • sehr gute Kennt­nisse der Theo­rie sto­chas­ti­scher dyna­mi­scher Sys­teme und von Metho­den aus dem Bereich des Machine Lear­nings bzw. KNNs sind Vor­aus­set­zung

  • Grund­le­gende Kennt­nisse der Kli­ma­dy­na­mik sind von Vor­teil

  • Bereit­schaft im Kon­text der Arbeit zu rei­sen (Pro­jekt Tref­fen, Work­shops, und For­schungs­auf­ent­halte im In- und Aus­land)
  • sehr gute Kennt­nisse der eng­li­schen Spra­che in Wort und Schrift

Un­ser An­ge­bot:

Was wir anbie­ten:

  • Die Mög­lich­keit Teil einer inter­dis­zi­pli­nä­ren Arbeits­gruppe mit Ver­knüp­fun­gen zu füh­ren­den inter­na­tio­na­len For­schungs­ein­rich­tun­gen zu wer­den

  • Teil­nahme an inter­na­tio­na­len Work­shops und Kon­fe­ren­zen

  • Ein sti­mu­lie­ren­des Arbeits­um­feld in einer inter­na­tio­nal aner­kann­ten Uni­ver­si­tät

Hin­wei­se zur Be­wer­bung:

Wei­tere Infor­ma­tio­nen erteilt Herr Dr. Niklas Boers (boers@pik-potsdam.de).

Bitte sen­den Sie Ihre voll­stän­di­gen Bewer­bungs­un­ter­la­gen (inklu­sive Anschrei­ben, CV Publi­ka­ti­ons­liste, Kon­takt­de­tails von zwei Gut­ach­tern, Mas­ter / PhD Zeug­nisse. Die Größe der Datei sollte 15 MB nicht über­schrei­ten.) als eine PDF Datei elek­tro­nisch per E-Mail bis zum 27.04.2021 an Herrn Dr. Niklas Boers: boers@pik-potsdam.de.
Aus gege­be­nem Anlass und für die Zeit des Prä­senz­not­be­trie­bes der Freien Uni­ver­si­tät Ber­lin bit­ten wir Sie, sich elek­tro­nisch per E-Mail zu bewer­ben. Die Bear­bei­tung einer pos­ta­li­schen Bewer­bung kann nicht sicher­ge­stellt wer­den.

Freie Uni­ver­si­tät Ber­lin
Fach­be­reich Mathe­ma­tik und Infor­ma­tik
Insti­tut für Mathe­ma­tik
Herrn Dr. Niklas Boers
Arni­m­al­lee 3
14195 Ber­lin (Dah­lem)

Mit der Abgabe einer Online­be­wer­bung geben Sie als Bewer­ber/in Ihr Ein­ver­ständ­nis, dass Ihre Daten elek­tro­nisch ver­ar­bei­tet und gespei­chert wer­den.
Wir wei­sen dar­auf hin, dass bei unge­schütz­ter Über­sen­dung Ihrer Bewer­bung auf elek­tro­ni­schem Wege von Sei­ten der Freien Uni­ver­si­tät Ber­lin keine Gewähr für die Sicher­heit über­mit­tel­ter per­sön­li­cher Daten über­nom­men wer­den kann.

Die Freie Uni­ver­si­tät Ber­lin for­dert Frauen aus­drück­lich zur Bewer­bung auf. Bewer­bun­gen von Men­schen mit Migra­ti­ons­hin­ter­grund, die die Ein­stel­lungs­vor­aus­set­zun­gen erfül­len, sind aus­drück­lich erwünscht.

Vor­stel­lungs­kos­ten kön­nen von der Freien Uni­ver­si­tät Ber­lin lei­der nicht über­nom­men wer­den. Bewer­bungs­un­ter­la­gen wer­den nicht zurück­ge­sandt. Bitte rei­chen Sie Ihre Unter­la­gen nur in Kopie ein.