Wiss. Mitarbeiter*in (PostDoc) (d/m/w)

Das Berlin Institute for the Foundations of Learning and Data (BIFOLD) der TU Berlin (Prof. Dr. Stefan Haufe, Dr. Shinichi Nakajima) sucht für ein Agility-Teilprojekt eine*n wissenschaftliche*n Mitarbeiter*in im Bereich Qualitätsgesichertes Maschinelles Lernen und Inverse Modellierung in der Biomedizin.

Das FG UNIML (Prof. Dr. Haufe) ist eine gemeinsame Professur von TU Berlin und Physikalisch-Technischer Bundesanstalt (PTB) Berlin. Sie beschäftigt sich mit der Entwicklung von Algorithmen zur Analyse biomedizinischer Daten (z. B. Neurobildgebung, klinische Routinedaten) sowie Aspekten der Qualitätssicherung (z. B. Unsicherheit, Erklärbarkeit) für Maschinelles Lernen und künstliche Intelligenz.

Das FG Probabilistische Modellierung und Inferenz (PMI, Dr. Nakajima) ist eine Nachwuchsgruppe am BIFOLD der TU Berlin. Sie beschäftigt sich mit der Entwicklung generativer Modelle, insbesondere für Anwendungen in der Physik, darunter Gittersimulationen und Quantencomputing, sowie mit inversen Problemen und erklärbarer künstlicher Intelligenz.

Selbstständige und verantwortliche Forschung im Bereich Maschinelles Lernen und Inverse Modellierung in der Biomedizin. Entwicklung und Analyse Bayes’scher und Deep Learning basierter Algorithmen zur Quellenrekonstruktion neurophysiologischer Zeitreihen (Magneto- und Elektroenzephalographie, M/EEG) unter besonderer Berücksichtigung kalibrierter Unsicherheitsangaben. Erarbeitung neuer theoretischer Ergebnisse zur Repräsentation von Unsicherheit in inversen Problemen. Anwendung der entwickelten Algorithmen zur qualitätsgesicherten Lokalisierung neuronaler Quellen in der klinischen oder kognitiven Neurowissenschaft.

Erfolgreich abgeschlossenes wissenschaftliches Hochschulstudium (Master, Diplom oder Äquivalent) sowie erfolgreich abgeschlossene Promotion in Mathematik, Physik, oder Informatik; mehrjährige Erfahrung im Bereich des Maschinellen Lernens und der inversen Modellierung vorausgesetzt, bevorzugt im Bereich der Bayes‘schen Statistik, der Modellierung von Unsicherheit, und/oder der Physics-informed Neural Networks; sehr gute Programmierkenntnisse in Python/PyTorch unabdingbar; Erfahrung in der Modellierung und Analyse von Zeitreihendaten, z. B. mit Differentialgleichungen, sowie mit M/EEG Daten sind von Vorteil. Gute Deutsch- und/oder Englischkenntnisse erforderlich; Bereitschaft, die jeweils fehlenden Sprachkenntnisse zu erwerben.

Ihre schriftliche Bewerbung richten Sie bitte unter Angabe der Kennziffer mit den üblichen Bewerbungsunterlagen an die Technische Universität Berlin - Die Präsidentin - Fakultät IV, Institut für Softwaretechnik und Theoretische Informatik, FG Unsicherheit, Inverse Modellierung und Maschinelles Lernen, Prof. Dr. Haufe, MAR 4-3, Marchstr. 23, 10587 Berlin oder per E-Mail (eine PDF-Datei, max. 5 MB) an: contact@uniml.tu-berlin.de.

Aus Kostengründen werden postalisch zugesandte Bewerbungsunterlagen nicht zurückgesandt. Bitte reichen Sie nur Kopien ein.

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/.

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. Bewerbungen von Menschen aller Nationalitäten und mit Migrationshintergrund sind herzlich willkommen.