PhD Position in AI-Driven Materials Design for Rare-Earth Recovery

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.

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 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.

Data Protection Information

When you apply for a position with the Technical University of Munich (TUM), you are submitting personal information. With regard to personal information, please take note of the Datenschutzhinweise gemäß Art. 13 Datenschutz‑Grundverordnung (DSGVO) zur Erhebung und Verarbeitung von personenbezogenen Daten im Rahmen Ihrer Bewerbung. (data protection information on collecting and processing personal data contained in your application in accordance with Art. 13 of the General Data Protection Regulation (GDPR)). By submitting your application, you confirm that you have acknowledged the above data protection information of TUM.

Kontakt: