Jobbeschreibung
Als „Die Forschungsuniversität in der Helmholtz-Gemeinschaft“ schafft und vermittelt das Karlsruher Institut für Technologie (KIT) Wissen für Gesellschaft und Umwelt. Ziel ist es, zu den globalen Herausforderungen maßgebliche Beiträge in den Feldern Energie, Mobilität und Information zu leisten. Daran arbeiten am KIT rund 10.000 Mitarbeiterinnen und Mitarbeiter auf einer breiten disziplinären Basis in Forschung, Lehre und Innovation zusammen.
Wir suchen für das Scientific Computing Center (SCC) ab 01.02.2026 befristet auf 3 Jahre eine/einen
Akademische Mitarbeiterin / Akademischen Mitarbeiter (m/w/d) KI-basierte chemisch-klimatische Simulationen mit mathematischem Fokus auf Modellverständnis und Optimierung
75 % Teilzeit, mit der Möglichkeit zur Promotion an der Fakultät für Mathematik
Das Scientific Computing Center ist das Informationstechnologie-Zentrum des KIT.
Dieses Forschungsprojekt konzentriert sich auf die Anwendung von KI-Modellen in der Erdsystemwissenschaft (effizienter Ersatz einer Chemie-Klima-Simulation aus einem Erdsystemmodell (ESM) durch einen KI-basierten Ansatz) und die Entwicklung mathematisch rigoroser Methoden für interpretierbare KI-Modellierung und systematische Hyperparameteroptimierung. Im Einzelnen:
- Entwicklung eines Konzepts zum Ersatz der Chemie-Klima-Simulation des ESM durch ein geeignetes KI-Modell. Dazu gehören das Testen und Auswählen geeigneter KI-Architekturen (z. B. RNNs, CNNs, PINNs, Transformers), das Identifizieren relevanter Eingabemerkmale, das Anwenden von Techniken zur Dimensionsreduktion und das Durchführen einer Hyperparameter-Optimierung (Lernrate, Anzahl der Schichten).
- Training des KI-Modells unter Verwendung eines Datensatzes aus langfristigen ESM-Simulationen (von 1979 bis 2024), gefolgt von der Durchführung von Simulationen mit dem trainierten KI-Modell.
- Vergleichende Analyse von KI-basierten Simulationen und traditionellen ESM-Simulationen unter Bewertung von Genauigkeit und Leistung.
- Über einen Black-Box-Ansatz hinausgehend zielt das Projekt darauf ab, ein mathematisches Verständnis des KI-Modells zu erreichen. Dieses Verständnis soll genutzt werden, um systematische Methoden zur Optimierung der Hyperparameter-Einstellung zu entwickeln, die auf den mathematischen Bereichen Optimierungstheorie, statistische Lerntheorie und erklärbare KI basieren.
- Die theoretische Analyse dieser Hyperparameteroptimierung – wie die Untersuchung von Konvergenzeigenschaften, Regularisierungseffekten und Sensitivitätsanalysen – stellt die zentrale mathematische Herausforderung des Projekts dar.
Diese Stelle bietet die Möglichkeit einen Doktortitel zu erwerben, während Sie in der CSMM-Forschungsgruppe unter der Leitung von Prof. Dr. Martin Frank arbeiten und Teil der KCDS-Graduiertenschule des KIT sind.
- Abgeschlossenes Studium (Master) in Mathematik
- Interesse an Optimierungstheorie, statistischer Lerntheorie oder erklärbarer KI
- Kenntnisse aktueller Deep-Learning-Frameworks (z. B. PyTorch oder Tensorflow) und aktueller KI-Modelle sind von Vorteil
- Fähigkeit, zielgerichtet und wissenschaftlich zu arbeiten und zu publizieren
- Gute Kommunikations- und Präsentationsfähigkeiten sowie Bereitschaft und Fähigkeit zur Teamarbeit
- Gute Kommunikationsfähigkeiten in Deutsch oder Englisch
Teil bei der einzigen deutschen Exzellenzuniversität mit nationaler Großforschung und arbeiten Sie unter hervorragenden Arbeitsbedingungen in einem internationalen Umfeld an der aktuellen Forschung und Lehre für unsere Zukunft. Starten Sie beruflich mit einer zielgerichteten Einarbeitung sowie breitgefächerten Weiterqualifizierungsangeboten. Profitieren Sie von flexiblen Arbeitszeitmodellen (Gleitzeit, Homeoffice), diversen Sport- und Freizeitangeboten sowie Kinder- und Ferienbetreuungsangeboten. Des Weiteren bieten wir einen Zuschuss zum Jobticket BW in Höhe von 25 €/Monat und ein vielseitiges Angebot in verschiedenen Mensen.
Wir streben eine möglichst gleichmäßige Besetzung der Arbeitsplätze mit Beschäftigten (w/m/d) an und würden uns daher insbesondere über Bewerbungen von Frauen freuen.
Bei gleicher Eignung werden anerkannt schwerbehinderte Menschen bevorzugt berücksichtigt.
Mehr