Jobs
Meine Anzeigen
Jobs per E-Mail
Anmelden
Stellenangebote Job Tipps Unternehmen
Suchen

Phd candidate for physics-informed machine learning in the context of vehicle models (f/m/d) (mönsheim, de, 71297)

Mönsheim
Volkswagen
Model
Inserat online seit: 11 Juni
Beschreibung

Wir sind CARIAD, das Automotive-Software-Unternehmen der Volkswagen Group. Unsere Teams entwickeln Softwareplattformen und digitale Kundenfunktionen für legendäre Marken wie Audi, Volkswagen und Porsche – und unterstützen so die Volkswagen Group auf ihrem Weg zum führenden automobilen Technologiekonzern. CARIDIANS in Softwarezentren in Deutschland, den USA, China, Estland und Indien arbeiten daran, die Automobilität für alle neu zu gestalten.


DEIN TEAM

Das Ziel unseres Promotionsprogramms ist es, innovative Themen zu fördern, die für CARIAD relevant sind. Wir arbeiten mit Spitzenuniversitäten zusammen und bringen neue Forschungsprojekte zum Leben. Unsere Promovierenden bekommen die Möglichkeit, neue Innovationen in ihren Projekten für CARIAD und das jeweilige wissenschaftliche Feld zu schaffen. Alle Promotionsprojekte werden von einem betreuenden Professor und einem engagierten CARIAD-Mentor begleitet. Wichtige Schulungen für die Promovierenden vervollständigen das Promotionsprogramm.


Für den Fachbereich Vehicle, Energy, Motion & Body (VEMB) suchen wir einen Promovierenden für das Projekt „Learning Intelligent Onboard Functions“. Unser Fachbereich entwickelt fortschrittliche Software für Fahrzeug-Energie, Bewegung und Karosseriesysteme von Fahrzeugen. Unser VEMB-Vorentwicklungsteam arbeitet an Methoden für das End-to-End-Lernen von VEMB-Funktionen, um eine schnelle, skalierbare und kosteneffiziente Produktentwicklung zu ermöglichen. Wir bilden dabei den gesamten Entwicklungsprozess ab – von ersten Konzepten bis hin zu Machbarkeitsnachweisen in Testfahrzeugen; dabei stehen wir in engem Austausch mit der Serienentwicklung.


DEINE AUFGABEN

* PhD-Project mit dem Arbeitstitel: Physics-informed Machine Learning im Kontext von Fahrzeugmodellen
* Bearbeitung zentraler Herausforderungen im Bereich des Physics-informed Machine Learning mit dem Schwerpunkt auf VEMB-Funktionen
* Recherche zum aktuellen Stand der Technik
* Einbettung von physikalischem Wissen in datengetriebene Modelle, oder vice versa, um die Interpretierbarkeit und das Generalisierungsverhalten von physikalischen Modellen sowie die Fähigkeit des maschinellen Lernens zur Modellierung komplexer Datenbeziehungen zu nutzen
* Implementierung von Prototypen der entwickelten Algorithmen und deren experimentelle Validierung in realen Experimenten.
* Zusammenarbeit mit Teams in der Vorentwicklung und Serienentwicklung


DAS BRINGST DU MIT

* Masterabschluss in einem relevanten Fachgebiet: Robotik, Elektrotechnik, Maschinenbau o. Ä.
* Fachkenntnisse in Regelungstechnik und maschinellem Lernen, insbesondere im Bereich Reinforcement Learning.sss
* Sehr gute Programmierkenntnisse in Python sowie Erfahrung mit Machine-Learning-Frameworks wie PyTorch, TensorFlow etc.
* Praktische Erfahrung durch reale Projekte, z. B. im Rahmen von Studienprojekten, Praktika oder vorheriger Berufserfahrung
* Hohes Maß an Engagement, Eigeninitiative und Teamfähigkeit
* Gut ausgeprägte Kommunikationsfähigkeiten
* fließende Englischkenntnisse, Deutsch ist ein Plus


NICE TO KNOW

* Dauer: 3 Jahre
* Zusammenarbeit mit einer renommierten Universität
* Möglichkeit zur Betreuung von Studierenden
* Option auf Remote-Arbeit
* Zeitweise Arbeiten aus dem Ausland in ausgewählten Ländern möglich
* 30 Tage bezahlter Urlaub
* Besondere Events, z. B. PhD-Tag (Doktorandentag), Trainings
* Hinweis: Bitte füge Deiner Bewerbung über das System einen Notenspiegel inklusive Modulübersicht bei, nachdem du deine Bewerbung eingereicht hast. Andernfalls kann die Bewerbung nicht bearbeitet werden
* Wichtig: Die Zulassungsvoraussetzungen für die Promotion werden von der Universität festgelegt, und du musst diese Voraussetzungen vor Projektstart erfüllen. Eine Bestätigung durch den betreuenden Professor ist vor dem Onboarding erforderlich (nicht notwendig für die Bewerbung)
* Wenn Du weitere Fragen zum Bewerbungsprozess bei CARIAD hast, wende Dich gerne an uns: careers@cariad.technology

Bei CARIAD schätzen wir Individualität und Vielfalt – denn wir sind überzeugt, dass uns unsere Unterschiede stärker machen. Wir setzen uns aktiv dafür ein, Teams mit unterschiedlichen Hintergründen, Perspektiven und Erfahrungen aufzubauen. Unser Ziel ist ein Arbeitsumfeld, in dem sich alle wertgeschätzt fühlen und ihre Stärken einbringen können. Wenn du aufgrund einer Behinderung Unterstützung bei deiner Bewerbung brauchst, melde dich gerne bei uns unter careers@cariad.technology – wir helfen dir gerne weiter.

Bewerben
E-Mail Alert anlegen
Alert aktiviert
Speichern
Speichern
Ähnliches Angebot
Phd – generative models for closed-loop synthesis
Renningen
Bosch Gruppe
Model
Ähnliches Angebot
Master thesis approximating model predictive controllers using imitation learning
Renningen
Abschlussarbeit
Bosch
Model
Ähnliches Angebot
Phd candidate for physics-informed machine learning in the context of vehicle models (f/m/d)
Mönsheim
CARIAD
Model
Mehr Stellenangebote
Ähnliche Angebote
Stellenangebote Volkswagen
Volkswagen Jobs im Kreis Enzkreis
Kunst und Kultur Jobs im Kreis Enzkreis
Jobs Enzkreis
Jobs Mönsheim
Jobs Baden-Württemberg
Home > Stellenangebote > Kunst und Kultur Jobs > Model Jobs > Model Jobs im Kreis Enzkreis > PhD Candidate for Physics-informed Machine Learning in the context of Vehicle Models (f/m/d) (Mönsheim, DE, 71297)

Jobijoba

  • Job-Ratgeber
  • Bewertungen Unternehmen

Stellenangebote finden

  • Stellenangebote nach Jobtitel
  • Stellenangebote nach Berufsfeld
  • Stellenangebote nach Firma
  • Stellenangebote nach Ort
  • Stellenangebote nach Stichworten

Kontakt / Partner

  • Kontakt
  • Veröffentlichen Sie Ihre Angebote auf Jobijoba

Impressum - Allgemeine Geschäftsbedingungen - Datenschutzerklärung - Meine Cookies verwalten - Barrierefreiheit: Nicht konform

© 2025 Jobijoba - Alle Rechte vorbehalten

Bewerben
E-Mail Alert anlegen
Alert aktiviert
Speichern
Speichern