PhD scholarship in Machine Learning-Accelerated Reaction Mechanism Discovery - DTU Energy
Oversigt og nøgleindsigter
Stillingen som PhD-stipendiat fokuserer på at udvikle maskinlæring-accelererede metoder til opdagelse af reaktionsmekanismer inden for computervidenskab og kemi. Kandidaten vil arbejde i et tværfagligt forskningsmiljø med fokus på automatisering og optimering af eksperimentelle data.
Højdepunkter
- Arbejdet med højtydende virtuelle screeningsmetoder og generative maskinlæringsmodeller.
- Samarbejde med ekspertgrupper for at forene teoretiske modeller med eksperimentelle datasæt.
- Mulighed for at tackle fundamentale udfordringer i kemisk reaktionsdynamik og simulering.
Påkrævede kvalifikationer
- • To-årig kandidatgrad (120 ECTS) eller tilsvarende.
- • Erfaring med dyb læring og generative modeller.
- • Interesse for softwareudvikling og automatisering af beregningsarbejdsgange.
Ønskværdige kvalifikationer
- • Erfaring med atomistiske simuleringer og kvantekemiske beregninger.
- • Nysgerrighed for at forstå fundamentale reaktionsmekanismer.
Den ideale kandidat
Den ideelle kandidat har en solid baggrund inden for computervidenskab eller kemi og besidder både tekniske færdigheder og en stærk interesse for at anvende maskinlæring i forskning. Kandidaten skal være i stand til at arbejde i et internationalt og tværfagligt team.
Jobdetaljer
Jobbeskrivelse
Jobbeskrivelse
Join a young research group dedicated to transforming materials discovery from empirical exploration to predictive design. Our research program builds on a synergy of high-throughput virtual screening, generative machine learning (ML) models, and automated reaction exploration to gain insights into complex chemical systems.
This is an opportunity to work at the forefront of computational chemistry and develop new methodologies that push simulations into length- and time-scales that traditional methods cannot reach. You will be embedded in the Pioneer Center CAPeX, an interdisciplinary hub that hosts multiple research groups working on self-driving laboratories. This environment allows for close integration between your computational models and high-throughput experimentation platforms.
Responsibilities and qualifications
As a PhD candidate, you will work on developing synergistic workflows to model dynamic, multi-phase systems. Your primary focus will be to overcome the limitations of current simulation methods by enhancing machine learning interatomic potentials and develop ML approaches to model rare events and complex environments. A key focus will be solving the "chicken-and-egg" problem of sampling: developing algorithms that learn to bias simulations automatically without requiring prior knowledge of the mechanism. You will contribute to open-source software frameworks and develop strategies to guide open-ended explorations systematically toward desired targets. The project involves strong collaborations with domain experts to align your theoretical models with large-scale experimental datasets.
What to expect:
- Tackle fundamental challenges in sampling and optimization, such as automating the discovery of transition pathways in high-dimensional potential energy surfaces.
- Work on cutting-edge ML methods, including generative models, stochastic sampling, and uncertainty quantification. Applying them to atomistic systems opens new possibilities of combining learned metrics with simulated quantities.
- Bridge theory and experiment as part of an interdisciplinary center with access to systematic data from high-throughput experimentation to refine and validate your models.
- Study chemical reactions relevant to current research on the sustainable production of hydrogen, liquid fuels, and specialty chemicals that are relevant for industrial processes.
You ideally have
- A background in computer science, chemistry, physics, materials science, or a related field.
- Experience with deep learning frameworks, preferably in the context of generative models.
- Experience with atomistic simulations and quantum chemical calculations.
- Interest in software development and automating computational workflows.
- Curiosity for understanding fundamental reaction mechanisms and atomistic processes.
- Interest in applying theoretical models and ML to solve fundamental scientific problems.
- Willingness to work in an international, interdisciplinary, and collaborative team.
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 Tenure Track Assistant Professor Miguel Steiner and Professor Tejs Vegge.
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. Starting date is 1 September 2026 (or according to mutual agreement). The position is a full-time position.
Application procedure
Your complete online application must be submitted no later than 30 April 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.
Karrierevej
Typisk karriereforløb
Postdoc i Maskinlæring
Forsker i Computational Chemistry
Senior Forskning og Udvikling Specialist
Vækstpotentiale
Denne stilling tilbyder en fremragende mulighed for at udvikle avancerede færdigheder inden for maskinlæring og computermodellering, hvilket er eftertragtede kompetencer i både akademiske og industrielle forskningsmiljøer. Efter endt PhD har kandidaten mulighed for at arbejde i førende forskningsinstitutioner eller i industrien, hvor man kan lede projekter inden for bæredygtig energiproduktion og materialsforskning.
Overførbare færdigheder
Branchekontekst
Stillingen er centralt placeret i den hurtigt voksende sektor for bæredygtig energiteknologi og materialsforskning, hvor der er stigende behov for innovative løsninger. Den integrerer computermodellering med eksperimentelle metoder, hvilket er essentielt for at udvikle effektive teknologier til energiproduktion og -lagring.
Færdighedsanalyse
Kritiske færdigheder
En solid akademisk baggrund i et af disse områder er nødvendig for at forstå de komplekse systemer, der undersøges.
Praktisk erfaring med dybe læringsmetoder, særligt i konteksten af generative modeller, er afgørende for at udvikle ML-tilgange.
Nødvendig for at kunne udføre og forstå de simuleringer, der er centrale for projektet.
Vigtige færdigheder
At have interesse for at udvikle software og automatisere processen vil være en fordel i projektet.
At have en interesse i at forstå de fundamentale processer, der styrer kemiske reaktioner.
Ønskværdige færdigheder
At kunne samarbejde effektivt med eksperter fra forskellige discipliner er vigtigt for projektets succes.
Mest kritiske færdigheder
Sådan fremhæver du din erfaring
Fremhæv din akademiske baggrund og relevante erfaringer inden for datalogi, kemi eller fysik, samt specifikke projekter hvor du har anvendt dybe læringsmetoder. Beskriv, hvordan du har arbejdet med atomistiske simuleringer og hvordan dette har bidraget til dit forskningsarbejde.
Interviewforberedelse
Sandsynlige spørgsmål
Hvordan vil du anvende maskinlæring til at forbedre simuleringer af kemiske reaktioner?
tekniskTip: Beskriv specifikke metoder og værktøjer, du har arbejdet med, og hvordan du vil integrere dem i dit projekt.
Kan du give et eksempel på et tidligere projekt, hvor du har arbejdet med atomistiske simuleringer?
erfaringTip: Fokuser på resultaterne og hvad du lærte af projektet.
Hvordan håndterer du samarbejde med eksperter fra andre discipliner?
kulturTip: Del erfaringer om tværfagligt samarbejde og hvordan det har beriget dit arbejde.
Hvad ser du som de største udfordringer ved at udvikle algoritmer til automatisk at biasere simuleringer?
tekniskTip: Diskuter potentielle løsninger og vis din forståelse af problemet.
Hvordan holder du dig opdateret med de nyeste fremskridt inden for maskinlæring og kemisk simulering?
erfaringTip: Nævn specifikke ressourcer, såsom tidsskrifter, konferencer eller online kurser.
Spørgsmål du kan stille
- Hvilke forskningsprojekter arbejder jeres gruppe på i øjeblikket?
- Hvordan måles succes i denne PhD-stilling?
- Hvad er de mest kritiske samarbejdsmuligheder, der findes inden for CAPeX?
Tale punkter
- Din erfaring med dyb læring og generative modeller.
- Dit engagement i at forstå og løse fundamentale kemiske problemer.
- Din interesse i at udvikle open-source software for videnskabelig forskning.
Bekymringspunkter at være opmærksom på
- Manglende erfaring med relevante programmeringssprog eller værktøjer.
- Uvilje til at samarbejde med andre forskere og dele viden.
Ansøgningsstrategi
Ansøgningstips
- Fremhæv din erfaring med dyb læring og generative modeller i din ansøgning.
- Vis din interesse for kemiske reaktioner og atomistiske processer ved at inkludere relevante projekter.
- Beskriv din erfaring med højtydende simuleringer og hvordan du har anvendt dem i tidligere forskning.
Nøgleord at inkludere
Fokus i ansøgningen
Fremhæv din passion for at udvikle nye metoder inden for maskinlæring og din erfaring med atomistiske simuleringer. Beskriv, hvordan du kan bidrage til integrationen mellem teori og eksperiment i et interdisciplinært miljø.
Tilpasning af CV
Tilpas dit CV ved at fremhæve relevante projekter og erfaringer med maskinlæring, kemiske simuleringer og softwareudvikling. Sørg for at inkludere specifikke resultater og færdigheder, der relaterer til de nævnte ansvarsområder i stillingsopslaget.
Ofte stillede spørgsmål
Hvad indebærer stillingen?
Stillingen som PhD-stipendiat indebærer udvikling af synergiske arbejdsgange til modellering af dynamiske, multiphasale systemer ved hjælp af maskinlæring. Du vil arbejde med at forbedre simulationsmetoder og bidrage til åbne softwareframeworks.
Hvilke kvalifikationer kræves?
Kandidaten skal have en baggrund i datalogi, kemi, fysik, materialeforskning eller et beslægtet felt. Erfaring med dyb læring og atomistiske simuleringer er også vigtig.
Hvad tilbyder virksomheden?
DTU Energy tilbyder en unik mulighed for at arbejde i en tværfaglig forskningsgruppe med adgang til højtudviklede eksperimentelle platforme og state-of-the-art maskinlæringsmetoder.
Hvordan er arbejdsmiljøet?
Arbejdsmiljøet er internationalt, interdisciplinært og samarbejdsvilligt, hvor du vil være en del af Pioneer Center CAPeX, der fokuserer på selvkørende laboratorier.
Hvad er forventningerne til kandidaten?
Forventningerne inkluderer at tackle fundamentale udfordringer i sampling og optimering samt aktivt bidrage til udviklingen af algoritmer og teorier, der kan anvendes på komplekse kemiske systemer.
Hvilke forskningsområder vil du arbejde med?
Du vil arbejde med kemiske reaktioner, der er relevante for bæredygtig produktion af brint, flydende brændstoffer og specialkemikalier, som har betydning for industrielle processer.
Er der muligheder for samarbejde med andre forskere?
Ja, der vil være stærke samarbejder med domæneeksperter for at sikre, at dine teoretiske modeller stemmer overens med store eksperimentelle datasæt.
Hvordan vil stillingen fremme min karriere?
Stillingen giver dig mulighed for at arbejde på banebrydende forskning indenfor maskinlæring og simulering, hvilket kan åbne døre til fremtidige akademiske og industrielle karrierer.