Die AG Clementi am Fachbereich Physik der Freien Universität Berlin sucht eine*n Wissenschaftler*in für die Arbeit an der Entwicklung und Anwendung von Grobkorn-Methoden zur Untersuchung makromolekularer Dynamik mit statistischer Mechanik, molekularen Simulationen auf verschiedenen Skalen, maschinellem Lernen und experimentellen Daten. Unsere Gruppe arbeitet an der Definition und Implementierung von Strategien zur Untersuchung komplexer biophysikalischer Prozesse auf langen Zeitskalen. Wir verwenden datengetriebene Methoden für das systematische Coarse-Graining von makromolekularen Systemen, um eine Brücke zwischen molekularen und zellulären Skalen zu schlagen. Wir arbeiten an einer theoretischen Formulierung, um die komplementären Informationen zu nutzen, die in Simulation und Experiment gewonnen werden können, um die ungefähre, aber hochaufgelöste strukturelle und dynamische Information aus Berechnungsmodellen mit "exakter", aber niedriger aufgelöster Information aus Experimenten zu kombinieren.

Aufgabengebiet:
Anwendung von speziell entwickelten Ansätzen zur Definition von übertragbaren Kraftfeldern mit maschinellem Lernen für verschiedene Klassen komplexer molekularer Systeme (Proteine und Materialien) und unterschiedliche Auflösungen bzw. Skalen. Nutzung der entwickelten Kraftfelder zur Simulation spezifischer molekularer Systeme in Zusammenarbeit mit experimentellen Gruppen, um Fragen von biomedizinischer oder industrieller Relevanz zu bearbeiten. Der Kandidat wird Methoden des maschinellen Lernens (hauptsächlich graphische neuronale Netzarchitekturen) entwickeln und anwenden, um Darstellungen und übertragbare Energiemodelle für Proteine und Materialien zu entwerfen.

Mitarbeit in der Lehre im Bereich Statistische Physik und machine learning. Die Tätigkeit dient der eignen wissenschaftlichen Qualifizierung (Promotion).
Die Stelle wird durch den Fachbereich Physik der Freien Universität Berlin finanziert. Sie ist auf 4 Jahre befristet.

Einstellungsvoraussetzungen:
Abgeschlossenes wiss. Hochschulstudium (Master) in Physik, Chemie, Angewandter Mathematik oder verwandten Bereichen.

Erwünscht:
Englisch fließend in Wort und Schrift
Ausgeprägte Kenntnisse in computationeller und statistischer Physik
Praktische Erfahrung mit molekularen Simulationen