Das Scientific Computing Center ist das Informationstechnologie-Zentrum des KIT.

Dieses Forschungsprojekt konzentriert sich auf die Anwendung von KI-Modellen in der Erdsystemwissenschaft (effizienter Ersatz einer Chemie-Klima-Simulation aus einem Erdsystemmodell (ESM) durch einen KI-basierten Ansatz) und die Entwicklung mathematisch rigoroser Methoden für interpretierbare KI-Modellierung und systematische Hyperparameteroptimierung. Im Einzelnen:

• Entwicklung eines Konzepts zum Ersatz der Chemie-Klima-Simulation des ESM durch ein geeignetes KI-Modell. Dazu gehören das Testen und Auswählen geeigneter KI-Architekturen (z. B. RNNs, CNNs, PINNs, Transformers), das Identifizieren relevanter Eingabemerkmale, das Anwenden von Techniken zur Dimensionsreduktion und das Durchführen einer Hyperparameter-Optimierung (Lernrate, Anzahl der Schichten).
• Training des KI-Modells unter Verwendung eines Datensatzes aus langfristigen ESM-Simulationen (von 1979 bis 2024), gefolgt von der Durchführung von Simulationen mit dem trainierten KI-Modell. 
• Vergleichende Analyse von KI-basierten Simulationen und traditionellen ESM-Simulationen unter Bewertung von Genauigkeit und Leistung.
• Über einen Black-Box-Ansatz hinausgehend zielt das Projekt darauf ab, ein mathematisches Verständnis des KI-Modells zu erreichen. Dieses Verständnis soll genutzt werden, um systematische Methoden zur Optimierung der Hyperparameter-Einstellung zu entwickeln, die auf den mathematischen Bereichen Optimierungstheorie, statistische Lerntheorie und erklärbare KI basieren. 
• Die theoretische Analyse dieser Hyperparameteroptimierung - wie die Untersuchung von Konvergenzeigenschaften, Regularisierungseffekten und Sensitivitätsanalysen - stellt die zentrale mathematische Herausforderung des Projekts dar.

Diese Stelle bietet die Möglichkeit einen Doktortitel zu erwerben, während Sie in der CSMM-Forschungsgruppe unter der Leitung von Prof. Dr. Martin Frank arbeiten und Teil der KCDS-Graduiertenschule des KIT sind.

Sie bringen mit:

• Abgeschlossenes Studium (Master) in Mathematik
• Interesse an Optimierungstheorie, statistischer Lerntheorie oder erklärbarer KI
• Kenntnisse aktueller Deep-Learning-Frameworks (z. B. PyTorch oder Tensorflow) und aktueller KI-Modelle sind von Vorteil
• Fähigkeit, zielgerichtet und wissenschaftlich zu arbeiten und zu publizieren
• Gute Kommunikations- und Präsentationsfähigkeiten sowie Bereitschaft und Fähigkeit zur Teamarbeit
• Gute Kommunikationsfähigkeiten in Deutsch oder Englisch 

Neugierig auf eine aufregende und vielseitige Rolle in einem agilen Team? Entdecken Sie mehr über SCC als Ihren beruflichen Place to be: KIT - SCC - Über uns - Arbeiten am SCC