Kontakt:  Dieses Feld mit Kontaktinfos (z.B. Email Adresse) ersetzen

16.04.2024

Wissenschaftliches Personal :
Wissenschaftliche Mitarbeiterin/Wissenschaftlicher Mitarbeiter am Lehrstuhl für Bauphysik   

Wir suchen für unser Team ab sofort (befristet auf zwei Jahre, mit der Möglichkeit der Verlängerung), eine/n Wissenschaftliche Mitarbeiterin/Wissenschaftlicher Mitarbeiter für das Zukunft-Bau Projekt „Baukostensenkungspotentiale durch verdeckte Sicherheiten im Brandschutz“ am Lehrstuhl für Bauphysik in Teilzeit zu 50% der Wochenarbeitszeit.
Mehr

Kontakt: Dr.-Ing. Claudius Hammann, claudius.hammann@tum.de

16.04.2024

Nichtwissenschaftliches Personal:
Qualitätsmanagementbeauftragter - QMB (m/w/d) Mikrobiologische Diagnostik   

Für die mikrobiologische Diagnostik suchen wir zum nächstmöglichen Zeitpunkt eine/n Qualitätsmanagementbeauftragte/n in Vollzeit oder Teilzeit (ab 60%)
Mehr

Kontakt: nina.wantia@tum.de

16.04.2024

Abschlussarbeiten, Bachelor- und Masterarbeiten:
Scientific machine learning through physics-informed neural networks   

We are seeking a highly motivated student to develop a novel framework for Physics-Informed Neural Networks (PINNs) that overcomes current limitations. Basics of Physics-Informed Neural Networks (PINNs): PINNs are a powerful machine learning technique that combines the strengths of neural networks and physics. Here's a breakdown: Neural Networks: These are algorithms inspired by the human brain, capable of learning complex patterns from data. Physics: Scientific principles governing the behavior of matter and energy. PINNs leverage the data-driven learning power of neural networks while incorporating physical laws through governing equations (often described by Partial Differential Equations - PDEs). This allows PINNs to: Learn from data: Analyze existing observations or measurements of a physical system. Enforce physical laws: Ensure the learned model adheres to established physical principles. Handle complex systems: Model intricate physical phenomena that might be difficult to solve with traditional methods. Project Focus: This project builds upon the foundation of PINNs and aims to develop PINNs model that can model 2 Dynamic Systems: Spring Mass Damper System Inverted pendulum Furthermore, the models should be: Independent of initial conditions: Produces accurate results regardless of the system's starting state. Partially independent of external forces: While the type of force needs to be known, the model should be able to infer the force equation from data. Independent of natural frequency: Applicable to various systems with different inherent oscillation frequencies. Generalizable: Analyze the effectiveness of incorporating advanced neural network architectures like Recurrent Neural Networks (RNNs) to increase generalizability. This thesis will, therefore, focus on the combination of data-driven ML model and Physics behind the dynamic systems to gain the benefits of both worlds. It would be part of the project to evaluate if PINNs trained on simulated data can be extended to real systems. Furthermore, it would be part of the project to evaluate the impact of known physical model, unknown physical model, known inputs to the real physical system, unknown inputs to the real physical system etc. and their pros and cons. Project Benefits: Opportunity to work on cutting-edge research at the intersection of physics and machine learning. Hands-on experience in developing and implementing advanced neural network models. Develop strong technical skills in machine learning and scientific computing.
Mehr

Kontakt: tanmay.goyal@tum.de

16.04.2024

Nichtwissenschaftliches Personal:
Eine Full Stack Softwareentwicklerin / einen Full Stack Softwareentwickler (m/w/d) (CIT2024-20)   

Wir suchen für unser Team ab sofort, in Vollzeit, eine Full Stack Softwareentwicklerin / einen Full Stack Softwareentwickler (m/w/d) (CIT2024-20).
Mehr

Kontakt: jobs@cit.tum.de

16.04.2024

Nichtwissenschaftliches Personal:
Studienmanager*in (m/w/d) am Standort Garching der TUM School of Engineering and Design in Voll- oder Teilzeit   

• Sie arbeiten gerne mit jungen Menschen zusammen.
• Sie helfen gerne anderen Menschen weiter.
• Sie haben ein offenes Ohr und beantworten gerne Fragen.
• Sie haben Spaß daran, Lösungen zu finden.
• Sie arbeiten strukturiert und behalten den Überblick.
• Sie sind gerne zuverlässige Ansprechperson für verschiedene Zielgruppen.
• Sie arbeiten gerne im Team, unterstützen gerne andere und finden den persönlichen Austausch als befruchtend.

Wenn Sie sich hier wieder finden, sind Sie die richtige Person, um als Studienmanager*in (m/w/d) am Standort Garching der TUM School of Engineering and Design in Voll- oder Teilzeit ab sofort tätig zu sein. Unterstützen Sie unser Team Mechanical Engineering.

16.04.2024

Nichtwissenschaftliches Personal:
Lehrstuhlsekretärin / Lehrstuhlsekretär (m/w/d) (CIT2024-22)   

Wir suchen für unser Team ab sofort in Voll- oder Teilzeit eine Besetzung der Stelle Lehrstuhlsekretärin / Lehrstuhlsekretär (m/w/d) Lehrstuhl für Visual Computing & Artificial Intelligence
Mehr

Kontakt: jobs@cit.tum.de

16.04.2024

Interne Jobbörse der TU München:
Wissenschaftliche Mitarbeiterin/Wissenschaftlicher Mitarbeiter am Lehrstuhl für Bauphysik   

Wir suchen für unser Team ab sofort (befristet auf zwei Jahre, mit der Möglichkeit der Verlängerung), eine/n Wissenschaftliche Mitarbeiterin/Wissenschaftlicher Mitarbeiter für das Zukunft-Bau Projekt „Baukostensenkungspotentiale durch verdeckte Sicherheiten im Brandschutz“ am Lehrstuhl für Bauphysik in Teilzeit zu 50% der Wochenarbeitszeit.
Mehr

Kontakt: Dr. Roland Göttig, goettig@tum.de

15.04.2024

Wissenschaftliches Personal :
Promotionsstelle im Rahmen eines Forschungsprojektes im Bereich Energie- und Verfahrenstechnik   

Wir bieten Ihnen an der Professur für Regenerative Energiesysteme eine Promotionsstelle im Rahmen eines Forschungsprojektes im Bereich der Energie- und Verfahrenstechnik zu den Themen synthetische Kraftstoffe
Mehr

Kontakt: elisabeth.murr@tum.de