Wiss. Mitarbeiter*in (PostDoc) (d/m/w)

Fakultät IV - Elektrotechnik und Informatik, BIFOLD / FG Unsicherheit, Inverse Modellierung und Maschinelles Lernen (UNIML) **Wiss. Mitarbeiter\*in (PostDoc) (d/m/w)** =========================================== Teilzeitbeschäftigung ist ggf. möglich **Über uns** ------------ Das Berlin Institute for the Foundations of Learning and Data (BIFOLD) der TU Berlin (Prof. Dr. Stefan Haufe, Dr. Shinichi Nakajima) sucht für ein Agility-Teilprojekt eine\*n wissenschaftliche\*n Mitarbeiter\*in im Bereich Qualitätsgesichertes Maschinelles Lernen und Inverse Modellierung in der Biomedizin. Das FG UNIML (Prof. Dr. Haufe) ist eine gemeinsame Professur von TU Berlin und Physikalisch-Technischer Bundesanstalt (PTB) Berlin. Sie beschäftigt sich mit der Entwicklung von Algorithmen zur Analyse biomedizinischer Daten (z. B. Neurobildgebung, klinische Routinedaten) sowie Aspekten der Qualitätssicherung (z. B. Unsicherheit, Erklärbarkeit) für Maschinelles Lernen und künstliche Intelligenz. Das FG Probabilistische Modellierung und Inferenz (PMI, Dr. Nakajima) ist eine Nachwuchsgruppe am BIFOLD der TU Berlin. Sie beschäftigt sich mit der Entwicklung generativer Modelle, insbesondere für Anwendungen in der Physik, darunter Gittersimulationen und Quantencomputing, sowie mit inversen Problemen und erklärbarer künstlicher Intelligenz. **Ihre Aufgaben** ----------------- Selbstständige und verantwortliche Forschung im Bereich Maschinelles Lernen und Inverse Modellierung in der Biomedizin. Entwicklung und Analyse Bayes’scher und Deep Learning basierter Algorithmen zur Quellenrekonstruktion neurophysiologischer Zeitreihen (Magneto- und Elektroenzephalographie, M/EEG) unter besonderer Berücksichtigung kalibrierter Unsicherheitsangaben. Erarbeitung neuer theoretischer Ergebnisse zur Repräsentation von Unsicherheit in inversen Problemen. Anwendung der entwickelten Algorithmen zur qualitätsgesicherten Lokalisierung neuronaler Quellen in der klinischen oder kognitiven Neurowissenschaft. **Ihr Profil** -------------- Erfolgreich abgeschlossenes wissenschaftliches Hochschulstudium (Master, Diplom oder Äquivalent) sowie erfolgreich abgeschlossene Promotion in Mathematik, Physik, oder Informatik; mehrjährige Erfahrung im Bereich des Maschinellen Lernens und der inversen Modellierung vorausgesetzt, bevorzugt im Bereich der Bayes‘schen Statistik, der Modellierung von Unsicherheit, und/oder der Physics-informed Neural Networks; sehr gute Programmierkenntnisse in Python/PyTorch unabdingbar; Erfahrung in der Modellierung und Analyse von Zeitreihendaten, z. B. mit Differentialgleichungen, sowie mit M/EEG Daten sind von Vorteil. Gute Deutsch- und/oder Englischkenntnisse erforderlich; Bereitschaft, die jeweils fehlenden Sprachkenntnisse zu erwerben. **Hinweise zur Bewerbung** -------------------------- Ihre schriftliche Bewerbung richten Sie bitte unter **Angabe der Kennziffer** mit den üblichen Bewerbungsunterlagen an die Technische Universität Berlin - Die Präsidentin - **Fakultä