Doktorandenstelle: KI-gestützte Materialentwicklung für die Rückgewinnung Seltener Erden
18.03.2026, Academic staff
Wir suchen einen Doktorandin zur Verstärkung der Forschungsgruppe „AI-Based Materials Science“ am Physik-Department der Technischen Universität München. In dieser Position arbeiten Sie an der Schnittstelle von Künstlicher Intelligenz, Materialwissenschaft und nachhaltiger Chemie, um neue Ansätze zur Rückgewinnung Seltener Erden zu entwickeln.
Seltene
Erden sind unverzichtbar für moderne Technologien, darunter erneuerbare
Energiesysteme, Elektrofahrzeuge
und digitale Elektronik. Gleichzeitig sind ihre Lieferketten fragil und
die Recyclingquoten bisher niedrig. Die Entwicklung effizienter und
selektiver Trenntechnologien ist daher eine zentrale Herausforderung der
grünen und digitalen Transformation. In diesem
Projekt wenden Sie moderne KI-Methoden an, um funktionalisierte
Membranen für die selektive Rückgewinnung Seltener Erden zu optimieren
und so die Entwicklung nachhaltiger Ressourcentechnologien zu
beschleunigen. Das Projekt wird in enger Zusammenarbeit mit
experimentellen Partnern in Singapur durchgeführt, die fortgeschrittene
Membranmaterialien synthetisieren und charakterisieren.
Ihre Rolle und Ziele
Ihre
Forschung wird sich auf die Entwicklung KI-gestützter Strategien zur
Optimierung funktionalisierter Membranen
für die selektive Rückgewinnung Seltener Erden konzentrieren. Sie werden
Bayessche Optimierung und andere Active-Learning-Methoden einsetzen, um
die experimentelle Arbeit zu unterstützen, indem Sie optimale chemische
Zusammensetzungen und Prozessbedingungen
für Membranen identifizieren, die sowohl Selektivität als auch
Rückgewinnungseffizienz maximieren.
In
enger Zusammenarbeit mit unseren experimentellen Partnern werden Sie
experimentelle Daten analysieren und
modellieren, um den großen Designraum der Membranfunktionalisierung und
Prozessparameter effizient zu erkunden. Sie entwickeln
Machine-Learning-Modelle zur Analyse experimenteller Datensätze und zur
Aufklärung von Struktur-Eigenschafts-Beziehungen, die die
Membranleistung bestimmen. Durch die Kombination von statistischem
Lernen, chemischer Intuition und experimentellem Feedback tragen Sie
dazu bei, die mechanistischen Ursprünge leistungsstarker Trennmembranen
offenzulegen und Gestaltungsregeln für Materialien
der nächsten Generation zu liefern. Das Projekt vereint somit
KI-gestützte Optimierung, datengetriebene Entdeckung und enge Verzahnung
mit Experimenten.
Sie
arbeiten in einem kollaborativen, interdisziplinären Team und stehen in
engem Austausch mit experimentellen
Partnern in Singapur. Ein Forschungsaufenthalt vor Ort ist möglich, um
praktische Einblicke in die untersuchten Membransysteme zu gewinnen.
Ihre Erfahrung und Ziele
Wir
begrüßen Bewerber*innen mit einem Masterabschluss in Physik, Chemie,
Materialwissenschaft, Verfahrenstechnik/Chemieingenieurwesen
oder einem verwandten Fachgebiet, die begeistert davon sind, Machine
Learning und Data Science auf reale materialwissenschaftliche
Fragestellungen anzuwenden. Programmierkenntnisse (insbesondere in
Python) sowie Interesse an Machine Learning, Datenanalyse oder
wissenschaftlichem Rechnen werden erwartet.
Vorerfahrung
mit Machine-Learning- oder Optimierungsmethoden ist von Vorteil, aber
nicht zwingend erforderlich.
Uns ist bewusst, dass keine Person zu Beginn alle Kriterien vollständig
erfüllt. Wenn Sie ein solides quantitatives Fundament, Neugier und
Motivation zum Lernen mitbringen, ermutigen wir Sie ausdrücklich zur
Bewerbung.
Wir
suchen neugierige Forschende, die gerne in einem unterstützenden,
interdisziplinären Team arbeiten, sich
für nachhaltige Technologien interessieren und motiviert sind, an der
Schnittstelle von KI, Materialwissenschaft und experimenteller Forschung
zu wirken.
Was wir bieten
In
der Forschungsgruppe „AI-Based Materials Science“, geleitet von Prof.
Patrick Rinke, entwickeln und nutzen
wir moderne Machine-Learning-Methoden für Materialwissenschaft, Physik
und Chemie. Unser Ziel ist es, datengetriebene Modellierung, Theorie und
Experimente zu verbinden, um die Entdeckung von Materialien für
zukünftige Technologien zu beschleunigen.
Sie
werden Teil eines multikulturellen und interdisziplinären
Forschungsteams und erhalten eine Ausbildung
in modernsten KI-Methoden wie Bayesscher Optimierung, Active Learning
und Scientific Machine Learning. Das Projekt beinhaltet eine enge
Zusammenarbeit mit experimentellen Gruppen in Singapur, einschließlich
der Möglichkeit eines Forschungsaufenthalts in Singapur.
Dadurch bietet sich die Gelegenheit, direkt mit unseren experimentellen
Partnern zu arbeiten und praktische Einblicke in die untersuchten
Membransysteme zu gewinnen.
Darüber
hinaus werden Sie Teil des breiteren Materialwissenschafts- und
KI-Ökosystems an der TUM, einschließlich
des Exzellenzclusters e-conversion, des Munich Data Science Institute,
des Munich Centre for Machine Learning und des Atomistic Modelling
Centre.
Unsere
Gruppe legt Wert auf eine respektvolle, inklusive Arbeitskultur, die
Teamarbeit, offene Kommunikation
und eine gute Work-Life-Balance fördert. Sie erhalten eine enge
Betreuung und Mentoring sowie Möglichkeiten zur beruflichen
Weiterentwicklung (z. B. Konferenzen, Workshops und Zusammenarbeit in
unseren lokalen und internationalen Netzwerken). Soweit möglich
unterstützen wir flexible Arbeitsmodelle im Rahmen der TUM-Richtlinien.
München
bietet ein lebendiges wissenschaftliches Umfeld an der Schnittstelle
von KI-Forschung, Physik, Materialwissenschaften
und nachhaltigen Technologien. Die TUM gehört regelmäßig zu den besten
Universitäten in Deutschland und Europa, und München bietet eine der
höchsten Lebensqualitäten weltweit.
Bereit für Ihre Bewerbung?
Wenn Sie Teil unserer Community werden möchten, senden Sie Ihre Bewerbung bitte per E-Mail an Prof. Patrick
Rinke unter rinke.office@nat.tum.de. Die Bewerbungsfrist endet am 2. April 2026.
Ihre Bewerbung sollte folgende Unterlagen umfassen:
- Lebenslauf (CV)
- Zeugnisse und Leistungsübersichten (Transcripts)
- Ein kurzes Motivationsschreiben mit Darstellung Ihrer Forschungsinteressen
- Kontaktdaten von mindestens zwei Referenzgeber*innen (oder Empfehlungsschreiben, falls bereits vorhanden)
Die
Stelle wird besetzt, sobald eine geeignete Person gefunden ist. Für
weitere Informationen wenden Sie sich
bitte an Prof. Patrick Rinke. Die TU München behält sich aus
berechtigten Gründen vor, die Stelle unbesetzt zu lassen, die
Bewerbungsfrist zu verlängern, das Bewerbungsverfahren erneut zu
eröffnen und Bewerber*innen zu berücksichtigen, die ihre Bewerbung nicht
innerhalb der ursprünglichen Bewerbungsfrist eingereicht haben.
Wir
freuen uns besonders über Bewerbungen von Frauen und von
Kandidat*innen, die die Vielfalt unseres Teams
erweitern. Wir setzen uns für ein inklusives, unterstützendes
Forschungsumfeld ein, in dem alle Mitglieder ihr Potenzial entfalten
können.
Wir freuen uns auf Ihre Bewerbung und darauf, Ihre Entwicklung zu einer eigenständigen Forscherpersönlichkeit
zu unterstützen.
The position is suitable for disabled persons. Disabled applicants will be given preference in case of generally equivalent suitability, aptitude and professional performance.
Kontakt: Rinke.office@nat.tum.de
Login
Help
Documentation
Back to
News Board
Browse in News
Print
