Wissenschaftliche:r Mitarbeiter:in (m/w/d), EG 13 TV-H, befristet, Teilzeit (derzeit 20 Wochenstunden)

Teilzeit mit der Hälfte der regelmäßigen Arbeitszeit einer/eines Vollzeitbeschäftigten. Die Stelle ist zunächst bis zum 30.11.2026 befristet im Rahmen des Vorhabens „Graph Neural Networks for Grid Control -GNN4GC“ gemäß WissZeitVG. Die Möglichkeit zur Promotion ist gegeben. Eine Fortsetzung der Finanzierung zur Vollendung einer Promotion ist geplant.

Das Fachgebiet Intelligente Eingebettete Systeme (IES) forscht im Bereich der Grundlagen und der Anwendungen von Methoden der Datenanalyse, des Maschinellen Lernens (z.B. Deep Learning, Active Learning) und der Künstlichen Intelligenz. Schwerpunkte in der Grundlagenforschung sind beispielsweise selbst-lernende und selbst-organisierende Systeme, Methoden des kollaborativen und aktiven Lernens, Methoden des Transferlernens oder Techniken zur Echtzeitanalyse von Zeitreihen. Schwerpunkte der angewandten Forschung liegen in den Bereichen Energiesysteme, Automobil (Autonomes Fahren) und Experimental-physik/Werkstoffe. Im Fachgebiet IES arbeiten aktuell etwa 25 MitarbeiterInnen in den genannten Bereichen.

Die Nachwuchsgruppe RL4CES hat das Ziel von Reinforcement Learning (RL) im Energiesystem zu entwickeln und RL sicherer, effektiver, erklärbar und kostengünstiger im Energiesystem nutzbar zu machen.

Aufgaben:

Wissenschaftliche Mitarbeit im Projekt GNN4GC, insbesondere

• Unterstützung bei der Entwicklung von Reinforcement Learning-Algorithmen zur Steuerung von Stromnetzen
• Evaluierung der Algorithmen mit geeigneten statistischen Methoden
• Entwicklung eines Recommender-Systems für den Einsatz von Reinforcement Learning-Algorithmen in der Leitwarte
• Statistische Auswertung und Umsetzung des Operator-Feedbacks für das Recommender-Systems,
• Regelmäßige Abstimmung mit Projektpartnern
• Publikation der Forschungsergebnisse in Zeitschriften und auf Konferenzen
• Mitarbeit bei organisatorischen Aufgaben (z.B. Arbeitspaketleitung, Projekttreffen, Projektberichte)
• Selbständige Projektakquise für Folgeprojekte
• Darüber hinaus wird Beteiligung an allgemeinen Aufgaben des Fachgebiets erwartet

Voraussetzungen:

• Mit sehr gutem Erfolg abgeschlossener wissenschaftlicher Hochschulabschluss in Informatik, Mathematik, Statistik oder einem eng verwandten Studiengang. Der geforderte Abschluss muss spätestens zum Einstellungstermin vorliegen.
• Sehr gute Programmierkenntnisse, insbesondere in Python
• Sehr gute Kenntnisse der Grundlagen und Anwendungen des Maschinellen Lernens und des Deep Learning, speziell des Reinforcement Learning
• Bereits etablierte wissenschaftliches Renommee durch relevante Publikationen,
• Erfahrung in der erfolgreichen Drittmittelakquise
• Erfahrung im Umgang mit Bibliotheken und Werkzeugen für Deep Learning (z.B PyTorch, Keras, RLlib)
• Sehr gute Lernfähigkeit und Freude an der Arbeit mit fachübergreifenden Themen
• Selbstständige und zielorientierte Arbeitsweise
• Sehr gute Kommunikationsfähigkeit und Freude an der Arbeit im Team
• Interesse an Anwendungen in der Elektrotechnik
• Sehr gute Kenntnisse in Englisch

Von Vorteil sind:

• Publikationen im Bereich Deep Reinforcement Learning
• Koordination von Forschungsprojjekten
• Bereits erfolgreiche Drittmittelakquise,
• Sehr gute Kenntnisse in Deutsch und Englisch.

Wir bieten:

Die ausgeschriebene Position bietet die Möglichkeit, an der Entwicklung fortschrittlicher modellbasierter Reinforcement Learning (RL)-Modelle mitzuarbeiten. Diese Modelle zielen darauf ab, die Effizienz von Lastflussberechnungen signifikant zu verbessern und optimale Topologiekonfigurationen für Stromnetze zu identifizieren. Darüber hinaus wird die Rolle die Kombination von GNNs mit Deep Reinforcement Learning (DRL) beinhalten. Ziel ist es, Netzbetreibern durch die Bereitstellung präziser Handlungsempfehlungen in Form eines Recommender-Systems zu unterstützen, um so einen stabilen und kosteneffizienten Betrieb der Stromnetze zu sichern. Dies stellt eine sehr gute Gelegenheit dar, an der Schnittstelle von fortschrittlicher KI-Technologie und kritischer Infrastrukturmanagement zu arbeiten, um einen nachhaltigen und zuverlässigen Energiefluss zu gewährleisten.

Die Stelle ist in der vom BMBF geförderten KI-Nachwuchsgruppe RL4CES („Reinforcement Learning for Cognitive Energy Systems) zu besetzten. RL4CES ist ein gemeinsames Projekt der Universität Kassel und dem Fraunhofer IEE und hat zum Ziel das Potential von Reinforcement Learning (RL) im Energiesystem zu entfalten und RL sicherer, effektiver, erklärbar und kostengünstiger im Energiesystem nutzbar zu machen. Die entwickelten Lösungen sollen anschließend in die Anwendung integriert werden.

Für Rückfragen steht Dr. Christoph Scholz (cscholz(at)uni-kassel.de) zur Verfügung.

Unser Angebot:

als Beschäftigte:r der Universität Kassel

• eröffnet sich Ihnen ein interessantes und vielfältiges Aufgabengebiet im Rahmen einer modernen und aufstrebenden Universität,
• werden Sie Teil eines interdisziplinären Teams mit guter und kollegialer Arbeitsatmosphäre,
• besteht für Sie die Möglichkeit, an fachlichen und überfachlichen Weiterbildungsmaßnahmen teilzunehmen,
• befindet sich Ihr Arbeitsplatz mit guter Anbindung an den öffentlichen Nahverkehr, der derzeit für Sie kostenlos nutzbar ist.

Profitieren Sie darüber hinaus von den vielfältigen Vorteilen eines Beschäftigungsverhältnisses im öffentlichen Dienst, wie u. a.:

• einer zusätzlichen betrieblichen Altersversorgung (VBL),
• einem optionalen Kinderzuschlag gem. TV-Hessen, einer familienfreundlichen Hochschule (u. a. Kinderbetreuung für Notfälle),
• einer Jahressonderzahlung im Monat November,
• einem Anspruch auf vermögenswirksame Leistungen,
• einer Förderung des ehrenamtlichen Engagements,
• einer kostengünstigen Teilnahme am Hochschulsport und am vollständigen Fitnessangebot im Rahmen von Unifit sowie der betrieblichen Gesundheitsförderung.

Weitere Stellen finden Sie unter stellen.uni-kassel.de

Bitte schicken Sie Ihre Bewerbung mit den üblichen aussagekräftigen Unterlagen unter der Angabe der Kennziffer im Betreff über das Online-Formular. Weitere Informationen hierzu haben wir in unseren FAQ für Sie zusammengestellt.

In Ausnahmefällen nehmen wir Ihre Bewerbungsunterlagen unter Nennung der Kennziffer auch in Papierform bzw. über das E-Mail-Postfach bewerbungen(at)uni-kassel.de entgegen.

Bitte reichen Sie bei postalischen Bewerbungen Ihre Unterlagen nur in Kopie (keine Mappen) ein, da diese nicht zurückgesandt werden können. Alle Unterlagen werden nach Abschluss des Auswahlverfahrens unter Beachtung datenschutzrechtlicher Bestimmungen vernichtet.

Der Schutz Ihrer personenbezogenen Daten ist uns ein wichtiges Anliegen, daher werden wir mit Ihren persönlichen Daten sorgfältig umgehen. Wenn Sie uns Ihre Daten geben, gestatten Sie uns damit die Speicherung und Nutzung im Sinne des Hessischen Datenschutz- und Informationsfreiheitsgesetzes. Hiergegen können Sie jederzeit Widerspruch einlegen. Ihre personenbezogenen Daten werden dann gelöscht.

Informationen nach Artikel 13 DS-GVO zur Erhebung personenbezogener Daten finden Sie unter:
https://www.uni-kassel.de/uni/datenschutz

Hinweise und FAQ zur Bewerbung auf ein Stellenangebot:
https://www.uni-kassel.de/uni/universitaet/stellenangebote/hinweise-und-faq-zur-bewerbung-auf-ein-stellenangebot

Die Universität Kassel ist in hohem Maße an der beruflichen Zufriedenheit ihrer Bediensteten interessiert. Sie ist ausgezeichnet als familiengerechte Hochschule und im Sinne der Chancengleichheit bestrebt, allen die gleichen Entwicklungsmöglichkeiten zu bieten und bestehenden Nachteilen entgegenzuwirken. Sie fördert den Family Welcome Service und bei wissenschaftlich und akademisch zu besetzenden Stellen auch den Dual Career Service. Es gehört zu den strategischen Zielen der Universität Kassel, den Anteil von Frauen in Forschung und Lehre deutlich zu steigern. Bewerbungen von Frauen sind deshalb besonders erwünscht. Schwerbehinderte und ihnen gleichgestellte Bewerber:innen erhalten bei gleicher Eignung, Befähigung und fachlicher Leistung den Vorzug. Vollzeitstellen sind (außer bei der Besetzung von Beamtenstellen) grundsätzlich teilbar.