Wissenschaftlicher Mitarbeiter (m/w/d, E13 TV-L, 67%) auf dem Gebiet des Maschinellen Lernens (ML) für die Materialchemie

Lehrstuhl für Physikalische Chemie V: Theorie und Maschinelles Lernen

Bewerbungsfrist: 20. April 2026

Wissenschaftlicher Mitarbeiter (m/w/d, E13 TV-L, 67%) auf dem Gebiet des Maschinellen Lernens (ML) für die Materialchemie

zu besetzen.

Aufgaben:

Entwicklung neuartiger ML und KI-Methoden zur Beschreibung der Eigenschaften komplexere und fehlgeordneter Materialien.
Durchführung und Analyse komplexer atomistischer Simulationen von funktionellen Energiematerialien unter realistischen Bedingungen.
Zusammenarbeit mit experimentellen Partnern an bahnbrechender Materialforschung an neuen Batterien und Katalysatoren.

Qualifikationen:

Abgeschlossenes Hochschulstudium (Master oder Diplom) in Chemie, Physik, Informatik oder verwandten Bereichen.
Kenntnisse in Simulationen auf atomarer Skala und/oder modernen Deep Learning Methoden.
Interesse daran, die Grenzen des Gebiets der Materialsimulation zu erweitern.
Gute Kommunikationsfähigkeiten und Neugier.

Wissenschaftliches Umfeld:

Als Doktorand haben Sie Zugang zu den modernen Forschungseinrichtungen des Bayerischen Zentrums für Batterietechnik und zu einem unterstützenden Forschungsumfeld. Sie werden auch die Möglichkeit haben, mit führenden Experten auf diesem Gebiet zusammenzuarbeiten und an internationalen Konferenzen und Workshops teilzunehmen.

Die Universität Bayreuth schätzt die Vielfalt ihrer Beschäftigten als Bereicherung und bekennt sich ausdrücklich zum Ziel der Chancengleichheit der Geschlechter. Frauen werden hierbei mit Nachdruck um ihre Bewerbung gebeten. Personen, die mehr Vielfalt in das Forschungs- und Lehrprofil der Universität Bayreuth einbringen, sind ausdrücklich zur Bewerbung eingeladen. Bewerberinnen und Bewerber (m/w/d) mit Kindern sind sehr willkommen. Die Universität Bayreuth ist Mitglied im Best-Practice Club „Familie in der Hochschule e. V.“, hat erfolgreich am HRK-Audit „Internationalisierung der Hochschule“ teilgenommen. Personen mit Schwerbehinderung werden bei gleicher Eignung bevorzugt berücksichtigt.