Selbstständige Forschung an Methoden des Generativen Lernens im Kontext des inversen Designs von Carnotbatterien. Dabei sollen numerische Experimente mit Deep Learning Frameworks wie PyTorch oder Tensorflow zur Simulation turbulenter Strömungen durchgeführt und die Simulationsergebnisse auf physikalische Tauglichkeit evaluiert werden. Verfassung wissenschaftlicher Aufsätze zu der Fragestellung des Projektes "Inverse aerodynamic design of turbo components for Carnot batteries by means of physics informed networks enhanced by generative learning" und Mitwirkung im Rahmen des Projektes an den Aktivitäten des DFG-Schwerpunktprogramms SPP2403 "Carnot Batteries: Inverse Design from Markets to Molecules".
Ihre Bewerbung senden Sie bitte unter
Angabe der Kennziffer mit den üblichen Unterlagen (in einem PDF-Dokument, max. 5 MB)
per E-Mail an Prof. Dr. Gottschalk (gottschalk@math.tu-berlin.de).
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 keine Gewähr für die Sicherheit übermittelter persönlicher Daten übernommen werden kann. Datenschutzrechtliche Hinweise zur Verarbeitung Ihrer Daten gem. DSGVO finden Sie auf der Webseite der Personalabteilung:
https://www.abt2-t.tu-berlin.de/menue/themen_a_z/datenschutzerklaerung/ oder Direktzugang: 214041.
Zur Wahrung der Chancengleichheit zwischen Frauen und Männern sind Bewerbungen von Frauen mit der jeweiligen Qualifikation ausdrücklich erwünscht. Schwerbehinderte werden bei gleicher Eignung bevorzugt berücksichtigt. Die TU Berlin schätzt die Vielfalt ihrer Mitglieder und verfolgt die Ziele der Chancengleichheit.
Technische Universität Berlin - Die Präsidentin - Fakultät II, Institut für Mathematik, FG Mathematische Modellierung von industriellen Lebenszyklen, Prof. Dr. Gottschalk, Sekr. MA 4-5, Str. des 17. Juni 136, 10623 Berlin
