PhD position in Scientific Machine Learning: Data science at scale and mixed precision solvers

31.07.2026, Wissenschaftliches Personal

Wir suchen eine wissenschaftliche Mitarbeiterin (m/w/d) im Bereich Scientific Machine Learning (SciML) für das Projekt "Data science at scale" an der Technischen Universität München. Der Schwerpunkt liegt auf der Entwicklung skalierbarer HPC-Algorithmen und allgemeiner linearer Solver zum Training neuronaler Netze, welche Lösungen für partielle Differentialgleichungen (PDEs) darstellen. Bewerbungsschluss ist der 14. August 2026.

Über uns
Die Technische Universität München (TUM) in der bayerischen Landeshauptstadt ist mit über 39.000 Studierenden eine der besten Universitäten der Welt. Sie ist der Exzellenz in Forschung und Lehre, der interdisziplinären Ausbildung und der aktiven Förderung des wissenschaftlichen Nachwuchses verpflichtet. Die TUM profitiert von der gesunden Mischung aus Unternehmen und Start-ups aller Größenordnungen, die in der Region angesiedelt sind, und ist eng mit den regionalen Forschungskliniken verbunden. Darüber hinaus pflegt die Universität enge Kontakte zu Unternehmen und wissenschaftlichen Einrichtungen in aller Welt.

Wir suchen motivierte Personeen für das HDSC/MDSI-Tandemprojekt "Data science at scale: Training neural models with mixed precision solvers". Dies ist ein Gemeinschaftsprojekt unter Beteiligung von Prof. Dr. Michael Bader (TUM CIT, Hardware-aware algorithms for HPC), Prof. Dr. Felix Dietrich (TUM CIT, Physics-enhanced Machine Learning) und Prof. Dr. Hartwig Anzt (TUM CIT, Computational Mathematics). Die Vergütung erfolgt nach TVL E13 (100 %) gemäß den Sätzen des öffentlichen Dienstes. Sie haben die Möglichkeit, eine Promotion (Dr. rer. nat., d. h. den "deutschen PhD") anzustreben. Der primäre Arbeitsort ist der TUM Campus Garching.

Beschreibung

Begeistern Sie sich für anspruchsvolle Forschungsprojekte, die die Lücke zwischen Data Science und praktischen Anwendungen schließen? Wir bieten Ihnen eine spannende Gelegenheit, unser Team im Bereich Scientific Machine Learning (SciML) zu verstärken. Das Projekt konzentriert sich auf die Entwicklung skalierbarer HPC-Algorithmen und Mixed-Precision-Solver zum Training neuronaler Modelle auf massiven Datensätzen, die die Kapazitäten von Single-Node-Systemen übersteigen. Ein Hauptziel ist die Entwicklung effizienter iterativer Algorithmen für das Training von Netzwerken auf Basis von Random Features, die auf Regression, Klassifikation und die Lösung zeitabhängiger partieller Differentialgleichungen (PDEs) angewendet werden können, wie beispielsweise bei groß angelegten Tsunami-Simulationen. Das Projekt umfasst zwei Forschende mit komplementären Schwerpunkten. Eine Person in Heilbronn konzentriert sich auf die Präzisions-Emulation, um die Lücke zwischen Low-Precision-GPU-Hardware und den High-Precision-Anforderungen von linearen Algebra-Solvern zu schließen. Diese Stelle in Heilbronn ist bereits besetzt. Diese Stellenausschreibung bezieht sich auf eine Position in Garching. Hier entwickeln Sie allgemeine, skalierbare lineare Solver für das Training neuronaler Netze, die Lösungen von PDEs darstellen. Ihre Arbeit umfasst die Nutzung von GPU-Codegeneratoren für Matrixmultiplikations-Kernel und die Sicherstellung, dass die Software in Python für die nachgelagerte Datenanalyse nutzbar ist. Zusammenarbeit steht im Mittelpunkt dieses Projekts. Sie werden eng mit Forschenden an beiden Standorten (Garching und Heilbronn) zusammenarbeiten, an Meetings und halbjährlichen Forschungsbesuchen teilnehmen und an der Schnittstelle zwischen numerischer Mathematik und physikgestütztem maschinellem Lernen arbeiten.

Anforderungen

• Master in Informatik, Mathematik oder einem verwandten Fach (z. B. Computational Science/Engineering)
• Fundierte Kenntnisse in maschinellem Lernen, Scientific Computing (insbesondere lineare Algebra und Numerik) und High Performance Computing (HPC).
• Programmierkenntnisse; Erfahrung mit GPU-Architekturen, C++ und Python ist von Vorteil.
• Exzellente Kommunikations- und Zusammenarbeitseigenschaften in englischer Sprache.
• Soft Skills: analytisches Denken, strukturierte und organisierte Arbeitsweise sowie eine hohe intrinsische Motivation.
• Bevorzugt: Erfahrung mit linearen Operatoren, Eigenwertproblemen oder der Entwicklung numerischer Solver.

Wie bewerbe ich mich?
Bitte bewerben Sie sich über das Anmeldeformular und geben Sie im Freitext "Application: MDSI/HDSC 2026" an, bis spätestens Freitag, den 14. August 2026 (End of Day). Bitte fügen Sie Folgendes bei (alles in einer PDF-Datei):

1. Ein Motivationsschreiben (bis zu einer Seite): Warum möchten Sie an diesem Projekt arbeiten, promovieren, in diesem Forschungsfeld, in diesem Team und an der TUM?
2. Lebenslauf inklusive akademischer Ausbildung, (optional) Berufserfahrung und (optional) abgeschlossenen Projekten.
3. Notenspiegel (abgeschlossene Kurse und Noten).
4. Kontaktdaten einer Person für ein Referenzschreiben. Wir werden diese Person nur kontaktieren, falls die Einstellungsentscheidung unklar ist.

Anmeldeformular: https://www.cs.cit.tum.de/scml/jobs-and-projects/
Bitte beachten Sie, dass die TUM das strategische Ziel verfolgt, die Diversität ihres Personals wesentlich zu erhöhen. Als Arbeitgeber, der Chancengleichheit und positive Maßnahmen fördert, ermutigt die TUM ausdrücklich Frauen sowie alle anderen Personen, die zusätzliche Diversitätsdimensionen in die Forschungs- und Lehrstrategien der Universität einbringen würden, sich zu bewerben. Internationale Bewerber werden ausdrücklich ermutigt, sich zu bewerben. Die Stelle ist für Bewerber mit Behinderungen geeignet; bei gleicher Qualifikation werden Bewerber mit Behinderungen bevorzugt.

Kontakt
Wenn Sie Fragen zur Bewerbung oder zum Projekt haben, schreiben Sie eine E-Mail (siehe Website):

Prof. Dr. Felix Dietrich
Homepage der Forschungsgruppe: https://www.cs.cit.tum.de/scml
Link zur persönlichen Seite

Kontakt: https://www.cs.cit.tum.de/en/sccs/people/felix-dietrich. --- noreply@tum.de