Akademische*r Mitarbeiter*in - PhD thesis / Doktorarbeit: Model compression for resource effici[...]

Über uns

An der Hochschule Offenburg studieren 4.000 Studierende aus 40 Nationen. Mit vier Fakultäten bieten wir ein breites interdisziplinäres und praxisorientiertes Fächerspektrum: von Betriebswirtschaft und Wirtschaftspsychologie über Mechatronik, Medien und Medizintechnik bis hin zur Biotechnologie und Künstlichen Intelligenz. Die Hochschule Offenburg ist ein Ort der Innovation und sie zählt zu den forschungsstarken Hochschulen für Angewandte Wissenschaften in Baden-Württemberg. Wir pflegen intensive Kontakte zu Unternehmen und Partnereinrichtungen aus der Region und sind gleichzeitig stark international ausgerichtet. Insgesamt sind an der Hochschule Offenburg über 500 Personen beschäftigt.

Wir suchen

Die Hochschule Offenburg sucht zum 1. April 2026 eine*n Akademische*n Mitarbeiter*in (Kennziffer 1127) in Vollzeit | 100 % | Vergütung nach E 13 TV-L | befristet auf 3 1/2 Jahre für das Forschungsprojekt Lab2Device.

Ihre Aufgaben

• Selbstständige Bearbeitung von Forschungsaufgaben im Projekt Lab2Device
• Selbstständige Publikation von Forschungsergebnissen aus dem Projekt Lab2Device
• Anleitung von Studierenden (z. B. Hiwis)
• Selbstständiger Transfer der Forschungsergebnisse in funktionierende Anwendungen

Moderne Deep-Learning-Modelle sind leistungsstark, aber ressourcenintensiv. Dies verhindert ihren lokalen Einsatz auf eingebetteten Systemen und führt zu ineffizienten, unsicheren und datenschutzkritischen Cloud-basierten Inferenzansätzen. Model Compression (z. B. Quantisierung, Pruning und Knowledge Distillation) und Neural Architecture Search (NAS) Ansätze ermöglichen den lokalen Einsatz von Deep-Learning-Modellen, führen jedoch häufig zu einer Verringerung der Modell-Performance und sind mit mehreren anderen Einschränkungen verbunden (z. B. hoher Rechenaufwand und damit hohe Energiekosten für NAS).

Das Ziel dieser Doktorarbeit ist die Erforschung neuer Model Compression Techniken, die die relevanten Kosten für den Einsatz auf eingebetteten Systemen (wie Speicherverbrauch, Latenz und Energieverbrauch) bei minimaler Einbuße von Modell-Performance reduzieren. Sie arbeiten in einem interdisziplinären Team (drei Forschungsinstitute der Universität Offenburg sind beteiligt: IMLA, INES, ivESK) mit einem weiteren Doktoranden (Schwerpunkt Neural Architecture Search) und zwei Postdocs zusammen, um ressourceneffiziente Deep-Learning-Modelle für die lokale Inferenz auf eingebetteter Hardware zu ermöglichen und zu benchmarken.

Ihr Profil

• Abgeschlossene wissenschaftliche Hochschulausbildung (Master oder vergleichbar) im Bereich Informatik, Statistik, Elektrotechnik oder Informationstechnik
• Erfahrung
• Nachweisbare Programmierkenntnisse (Python, C/C++)
• Sehr gute Kenntnis und praktische Erfahrung mit modernen Machine Learning Methoden und Frameworks (PyTorch und/oder JAX)
• Zumindest grundlegende Kenntnisse von Eingebetteten Systemen
• Grundlegende Deutschkenntnisse von Vorteil, gute Englischkenntnisse sinnvoll
• Persönlichkeit
• Eigeninitiative und strukturierte Arbeitsweise
• Interesse an kreativer Problemlösung
• Freude an interdisziplinärer Teamarbeit

Wir bieten

• attraktive Fortbildungen, die Sie in Ihrem Job weiterbringen
• einen modern ausgestatteten Arbeitsplatz
• Jahressonderzahlung
• flexible Arbeitszeiten
• Zugang zu Corporate Benefits
• die Möglichkeit der Kinder-Ferienbetreuung in der hochschuleigenen Kita Sommersprosse
• attraktive Angebote im Rahmen des betrieblichen Gesundheitsmanagements und bei der Vereinbarkeit von Beruf, Familie und Pflege

Allgemeine Hinweise

Die Stelle ist grundsätzlich teilbar. Die Hochschule Offenburg ist bestrebt, ihren Frauenanteil zu erhöhen und fordert qualifizierte Frauen deshalb ausdrücklich auf, sich zu bewerben. Schwerbehinderte Menschen und Gleichgestellte werden bei entsprechender Eignung vorrangig berücksichtigt (Schwerbehinderung bitte nachweisen). Bei im Ausland erworbenen Bildungsabschlüsse bitten wir um Übersendung entsprechender Nachweise über die Gleichwertigkeit mit einem deutschen Abschluss.

Bitte reichen Sie Ihre Bewerbung ausschließlich über unser Online-Bewerbungs-Tool ein. Nach dem Absenden Ihrer Bewerbung erhalten Sie eine kurze Bestätigung. Bitte haben Sie Verständnis dafür, dass wir Bewerbungen per E-Mail oder per Post nicht berücksichtigen werden.

Auskünfte

Fragen beantworten Ihnen gerne Herr Prof. Dr. Christian Reich-Haag, Telefon , eMail: oder die Leiterin der Personalabteilung, Frau Keshia Rausch, Telefon .

Bewerbungsschluss

Februar 2026

Bewerben Sie sich jetzt hier online!

Zurück zur Stellenübersicht