Wiss. Mitarbeiter*in (d/m/w) - 75 % Arbeitszeit

Ihre Aufgaben

Sie wirken an der Entwicklung physikbasierter Algorithmen zur Rekonstruktion von Verzerrungsfeldern und elektrischen Feldern an Grenzflächen in Nanoheterostrukturen mit. Im Mittelpunkt steht dabei die numerische Inversion der dynamischen Elektronenbeugung. Für die experimentellen Arbeiten steht Ihnen die hochspezialisierte, moderne 300kV S/TEM-Infrastruktur der Technischen Universität Berlin zur Verfügung.

Zu Ihren Aufgaben gehören:

• Entwicklung experimenteller Messmethoden zur Aufnahme dynamischer Elektronenbeugungsdatensätzen, zum Beispiel mittels 4D-STEM oder elektronenholographischen Strahlkippserien
• Simulation und Analyse dynamischer Beugungseffekte
• Optimierung, Auswertung und Validierung numerischer Inversionsansätze, insbesondere im Hinblick auf Algorithmen und Regularisierungsmethoden
• Anwendung der entwickelten Inversionsmethoden auf Grenzflächen in Nanostrukturen (wie Halbleiterheterostrukturen) und Domänenwände in Ferroelektrika.
• Aufnahme und Auswertung von Vergleichsdatensätzen mittels Nano-Beam Electron Diffraction (NBED), Differential Phase Contrast (DPC) und Off-Axis Electron Holography.
• Erforschung von Machine-Learning Ansätzen für die Rekonstruktion
• Eigenständige Zusammenarbeit mit nationalen und internationalen Projektpartner*innen im Bereich der Computational Electron Microscopy und der Materialwissenschaften

Die Tätigkeit bietet die Möglichkeit zur Promotion. Für weitere Informationen kontaktieren Sie bitte Frau Dr. Laura Niermann (laura.niermann@tu-berlin.de).

Ihr Profil

• Erfolgreich abgeschlossenes wissenschaftliches Hochschulstudium (Master, Diplom oder Äquivalent) in Physik oder einer verwandten Disziplin; der Abschluss muss spätestens bei Beschäftigungsbeginn vorliegen.
• Sehr gute Kenntnisse in numerischer Programmierung, rechnerischer Modellierung und deren Anwendung bei der Analyse experimenteller Daten.
• Erfahrungen in der Softwareentwicklung und Programmierung (idealerweise in Python)
• Ein hohes Maß an Selbstständigkeit, Eigenmotivation und Erfahrung im selbständigen wissenschaftlichen Arbeiten wünschenswert.
• Gute Deutsch- und/oder Englischkenntnisse erforderlich; Bereitschaft, die fehlenden Sprachkenntnisse zu erwerben.
• Erfahrungen im Umgang mit numerischen Bibliotheken und Machine-Learning-Frameworks (zum Beispiel PyTorch oder JAX) wünschenswert
• Erfahrungen in der (Raster-) Transmissionselektronenmikroskopie und/oder Festkörperphysik wünschenswert
• Kenntnisse in statistischen Methoden sowie Grundlagenkenntnisse im Bereich des maschinellen Lernens wünschenswert.