About this role
<p> </p> <p>Die Stelle kann in Vollzeit oder Teilzeit besetzt werden. Bei einer Teilzeitbesetzung ist ein Teilzeitgrad von mindestens 80%, das heißt ein Umfang von mindestens 28 Wochenstunden, erforderlich. </p> <p> </p> <p>Sie sind Teil unseres Forschungsteams und entwickeln Sie KI‑Systeme, die in der physischen Welt operieren. Sie arbeiten an Problemen an der Schnittstelle von Machine Learning, Robotik und industrieller Automatisierung — dort, wo die Lücke zwischen Simulation und Realität die größte Herausforderung darstellt.</p> <p> </p><p><strong>Ihre Aufgaben:</strong></p> <ul> <li>Entwicklung und produktionsnahes Deployment von KI Systemen für physische Manipulations und Automatisierungsaufgaben in enger Zusammenarbeit mit Mechanik , Aktorik und Systementwicklung (im Rahmen eines Co Design Ansatzes)</li> <li>Entwurf und Training von Machine Learning und Reinforcement Learning Architekturen für kontaktreiche, hochdimensionale Systeme<br>Aufbau und Betrieb von Simulations und Trainingspipelines (inkl. GPU beschleunigter Physiksimulation)</li> <li>Übertragung von KI Modellen aus der Simulation auf reale Hardware (Sim to Real) sowie Validierung im industriellen Umfeld</li> <li>Entwicklung und Verantwortung für skalierbare Infrastruktur (z. B. parallele Simulationen, automatisierte Evaluationspipelines, MLOps Tooling)</li> <li>Veröffentlichung von Ergebnissen auf Fachkonferenzen bei entsprechendem Reifegrad</li> </ul> <p> </p> <p><strong>Ihre Qualifikationen:</strong></p> <ul> <li>Abgeschlossenes Studium in Informatik, Robotik, Mechatronik, Mathematik, Physik oder einem vergleichbaren Studiengang</li> <li>Mehrjährige Erfahrung in der Entwicklung, dem Training und der produktionsnahen Nutzung von KI-/ML-Modellen</li> <li>Erfahrung mit komplexen Softwareprojekten inklusive GPU-beschleunigter Simulation, mehrstufigen Trainingspipelines und Hardwareintegration, idealerweise im Bereich Regelungs- und Steuerungstechnik</li> <li>Sehr gute Kenntnisse in Python, Erfahrung mit C++ wünschenswert</li> <li>Fundierte Kenntnisse in Reinforcement Learning für kontinuierliche, hochdimensionale Aktionsräume z. B. Policy-Gradient-Verfahren, modellbasiertes Deep Reinforcement Learning oder hybride Ansätze</li> <li>Sicherer Umgang mit modernen ML-Frameworks wie PyTorch sowie idealerweise Erfahrung mit TensorFlow, JAX, CUDA-Kernels oder Modellquantisierung</li> <li>Erfahrung mit aktuellen KI-Ansätzen für physische Systeme, wie z. B. model-free/model-based Deep Reinforcement Learning oder Diffusion Models sowie Erfahrung im Umgang mit 3D-Daten und Repräsentationen, z. B. Punktwolken, impliziten Repräsentationen oder neuronaler Geometrie</li> <li>Idealerweise Erfahrung mit generativem Design oder Topologieoptimierung</li> <li>Sehr gute Englischkenntnisse</li> <li>Schnelle Auffassungsgabe gepaart mit guten Kommunikationsfähigkeiten und Verständnis von Kundenbedürfnissen </li> </ul><p> </p> <p><b>Ansprechpartner</b>: Caroline Duchon, +49(711)347-56698</p> <p> </p>