PhD scholarship in Scientific Machine Learning in Materials Physics - DTU Physics
Oversigt og nøgleindsigter
PhD-stipendium ved DTU Physics fokuseret på videnskabelig maskinlæring anvendt i materialefysik. Kandidaten vil arbejde med en tværfaglig gruppe for at udvikle maskinlæringsmetoder, der kombinerer eksperimentelle data og simuleringsresultater.
Højdepunkter
- Internationalt og tværfagligt team samarbejde mellem DTU Physics og DTU Construct.
- Brug af Dark-Field X-ray Microscopy til at visualisere interne metalstrukturer.
- PhD-stipendium i en periode på 3 år med start den 1. maj 2026.
Påkrævede kvalifikationer
- • Baggrund i datalogi
- • Interesse for fysik-informeret maskinlæring
- • Stærke skriftlige kommunikationsevner
Ønskværdige kvalifikationer
- • Erfaring med materialefysik
- • Kendskab til synkrotronteknikker
Den ideale kandidat
Den ideale kandidat har en stærk baggrund i datalogi og en passion for fysik-informeret maskinlæring. De skal være ivrige efter at arbejde i et tværfagligt miljø og have stærke samarbejdsevner.
Jobdetaljer
Jobbeskrivelse
Jobbeskrivelse
Are you passionate about scientific machine learning, particularly physics-informed machine learning? If so, this position might be perfect for you. We are seeking a data scientist to apply machine learning techniques to a combination of experimental data and simulation results, aiming for faster and more accurate predictions.
About Us
You will join an international and highly multidisciplinary team of approximately 10 PhDs and postdocs, fostering a strong collaboration between DTU Physics and DTU Construct. Our group is a global leader in the field of metals. We invented the synchrotron-based imaging technique Dark-Field X-ray Microscopy. Installed at the European Synchrotron Radiation Facility in France we utilize it to visualize the evolution of internal structures in metals during deformation - in order to understand how and why metals become strong and eventually break. We work with leading international groups on modeling and also conduct simulations at DTU.
Responsibilities
- Develop scientific machine learning methods in close collaboration with team members specializing in experimental techniques and materials science.
- Utilize unique experimental data on the evolution of internal metal structures obtained via Dark-Field X-ray Microscopy (a synchrotron-based imaging technique), combined with phase field modeling predictions of the structural evolution.
Qualifications
- Background in data science
- Interest in physics-informed machine learning
- Strong written communication skills
- Enthusiasm for interdisciplinary collaboration
- Strong team spirit
- Experience with materials science or synchrotron techniques is beneficial but not required.
- You must have a two-year master's degree (120 ECTS points) or a similar degree with an academic level equivalent to a two-year master's degree.
Approval and Enrolment
The scholarship for the PhD degree is subject to academic approval, and the candidate will be enrolled in one of the general degree programmes at DTU. For information about our enrolment requirements and the general planning of the PhD study programme, please see DTU's rules for the PhD education.
Assessment
The assessment of the applicants will be made by Prof. Henning Friis Poulsen, DTU Physics and Prof. Grethe Winther, DTU Construct.
We offer
DTU is a leading technical university globally recognized for the excellence of its research, education, innovation and scientific advice. We offer a rewarding and challenging job in an international environment. We strive for academic excellence in an environment characterized by collegial respect and academic freedom tempered by responsibility.
Salary and appointment terms
The appointment will be based on the collective agreement with the Danish Confederation of Professional Associations. The allowance will be agreed upon with the relevant union. The period of employment is 3 years. The preferred starting date is 1 May 2026.
Further information
Further information may be obtained from Professor Henning Friis Poulsen, DTU Physics and Professor Grethe Winther, DTU Construct. You can read more about DTU Physics at www.physics.dtu.dk and DTU Construct at www.construct.dtu.dk.
Application procedure
Your complete online application must be submitted no later than 28 February 2026 (23:59 Danish time). Applications must be submitted as one PDF file containing all materials to be given consideration. To apply, please open the link "Apply now", fill out the online application form, and attach all your materials in English in one PDF file. The file must include: A letter motivating the application (cover letter), Curriculum vitae, Grade transcripts and BSc/MSc diploma (in English) including official description of grading scale. You may apply prior to obtaining your master's degree but cannot begin before having received it. Applications received after the deadline will not be considered.
All interested candidates irrespective of age, gender, disability, race, religion or ethnic background are encouraged to apply. As DTU works with research in critical technology, which is subject to special rules for security and export control, open-source background checks may be conducted on qualified candidates for the position.
Karrierevej
Typisk karriereforløb
Postdoc i fysik eller data science
Forsker i akademisk eller industriel forskning
Lederstilling inden for maskinlæring eller materialefysik
Vækstpotentiale
Denne stilling har et højt vækstpotentiale, da den kombinerer maskinlæring med materialefysik, et felt i hastig udvikling. Mulighederne for at bidrage til banebrydende forskning og udvikling er betydelige.
Overførbare færdigheder
Branchekontekst
Stillingen er i tråd med den stigende anvendelse af maskinlæring i forskningsmiljøer, især inden for materialevidenskab. Den passer ind i en global trend, hvor tværfaglig forskning spiller en central rolle i at drive innovation.
Færdighedsanalyse
Kritiske færdigheder
Solid forståelse af dataanalysemetoder og erfaring med at anvende dem i videnskabelige sammenhænge.
Evne til at integrere fysiske principper i maskinlæringsmodeller for at forbedre prædiktioners nøjagtighed.
Vigtige færdigheder
Stærke evner til at dokumentere og formidle komplekse videnskabelige resultater klart og præcist.
Evne til effektivt at samarbejde med forskere fra forskellige fagområder.
Ønskværdige færdigheder
Erfaring med at arbejde med materialer eller avancerede billeddannelsesteknikker som Dark-Field X-ray Microscopy.
Mest kritiske færdigheder
Sådan fremhæver du din erfaring
Fremhæv tidligere projekter hvor du anvendte data science teknikker til at løse komplekse problemer, især hvis de involverede fysisk modellering. Beskriv hvordan din skriftlige kommunikation har hjulpet med at formidle videnskabelige resultater til tværfaglige teams.
Interviewforberedelse
Sandsynlige spørgsmål
Kan du beskrive din erfaring med maskinlæring, især inden for fysik-informeret maskinlæring?
tekniskTip: Fokuser på konkrete eksempler, hvor du har anvendt maskinlæringsteknikker i fysikrelaterede projekter. Nævn specifikke værktøjer og metoder, du har brugt.
Hvordan vil du håndtere samarbejde med et tværfagligt team?
kulturTip: Vis din evne til at kommunikere og arbejde effektivt i et team med forskellige baggrunde. Giv eksempler på tidligere erfaringer med tværfagligt samarbejde.
Fortæl om en gang, hvor du måtte lære noget nyt hurtigt for at løse et problem.
situationTip: Beskriv situationen, den udfordring du stod overfor, de trin du tog for at lære det nødvendige, og hvordan det påvirkede resultatet.
Hvad er din erfaring med materialefysik eller synkrotronteknikker?
erfaringTip: Hvis du har erfaring, skal du beskrive det detaljeret. Hvis ikke, fremhæv din villighed til at lære og eventuelle relaterede kompetencer, der kan hjælpe dig med at tilegne dig denne viden hurtigt.
Spørgsmål du kan stille
- Hvordan ser en typisk dag ud for en PhD-studerende i jeres team?
- Hvilke muligheder er der for at deltage i internationale konferencer eller workshops?
- Hvordan måles succes i dette PhD-program?
Tale punkter
- Min stærke interesse i at anvende maskinlæring til fysikrelaterede problemer.
- Tidligere projekter hvor jeg har arbejdet med dataanalyse og modellering.
- Min evne til at samarbejde effektivt i tværfaglige teams.
Bekymringspunkter at være opmærksom på
- Manglende interesse i tværfagligt samarbejde
- Utilstrækkelig baggrund i maskinlæring eller data science
Ansøgningsstrategi
Ansøgningstips
- Fremhæv din erfaring med fysikinformeret maskinlæring og hvordan du har anvendt det i tidligere projekter.
- Demonstrér din evne til at arbejde i et tværfagligt team ved at give konkrete eksempler fra tidligere samarbejder.
- Vis din interesse for materialefysik ved at nævne specifikke teknikker eller projekter, du finder inspirerende, såsom Dark-Field X-ray Microscopy.
Nøgleord at inkludere
Fokus i ansøgningen
Fremhæv din passion for at anvende maskinlæring i materialefysik og din evne til at integrere eksperimentel data med simulationsmodeller. Beskriv din stærke kommunikationsevne og din erfaring med at arbejde i internationale teams.
Tilpasning af CV
Inkluder specifikke projekter hvor du har anvendt maskinlæring til videnskabelige problemer, og fremhæv eventuelle erfaringer med materialeforskningsprojekter. Sørg for at liste relevante tekniske færdigheder som dataanalyse og modellering.
Ofte stillede spørgsmål
Hvad indebærer stillingen som PhD stipendiat i Scientific Machine Learning i Materials Physics?
Stillingen indebærer udvikling af videnskabelige machine learning metoder i tæt samarbejde med teammedlemmer, der specialiserer sig i eksperimentelle teknikker og materialefysik, med fokus på at anvende disse metoder på unikke eksperimentelle data og simulationsresultater.
Hvilke kvalifikationer kræves for at ansøge om PhD stipendiet?
Ansøgere skal have en baggrund i datavidenskab, interesse for fysikinformeret machine learning, stærke skriftlige kommunikationsevner, og en toårig kandidatgrad (120 ECTS-point) eller tilsvarende akademisk niveau.
Hvad tilbyder DTU Physics til den rette kandidat?
DTU Physics tilbyder en udfordrende og givende position i et internationalt miljø, hvor der er fokus på akademisk ekspertise, kollegial respekt og akademisk frihed med ansvar.
Hvordan er arbejdsmiljøet hos DTU Physics?
Arbejdsmiljøet er internationalt og tværfagligt med stærkt samarbejde mellem DTU Physics og DTU Construct, samt et miljø der fremmer akademisk frihed og ansvar.
Hvad er forventningerne til en PhD stipendiat i denne stilling?
Det forventes, at kandidaten udvikler innovative machine learning metoder, deltager i interdisciplinært samarbejde, og bidrager til gruppens forskning og udvikling inden for materialefysik.
Hvordan er løn og ansættelsesvilkår for denne PhD stilling?
Ansættelsen er baseret på den kollektive overenskomst med Dansk Magisterforening, og lønnen aftales med den relevante fagforening. Ansættelsesperioden er 3 år.
Hvornår er den foretrukne startdato for denne PhD stilling?
Den foretrukne startdato for PhD stillingen er 1. maj 2026.