Die Stelle ist im Rahmen eines ERC Proof-of-Concept angesiedelt. Neben der Umsetzung von innovativer Forschung werden Sie sich auch am wissenschaftlichen Austausch und an der aktiven Zusammenarbeit mit verwandten Forschungsgruppen beteiligen.
Die Leibniz Universität Hannover (LUH) bietet exzellente Arbeitsbedingungen in einem lebendigen wissenschaftlichen Umfeld, eingebettet in die hervorragenden Lebensbedingungen einer modernen Großstadt im Grünen. Das Dezernat Forschung und EU-Hochschulbüro, Technologietransfer stellt umfassenden Service in der Forschungs- und Nachwuchsförderung und im Wissens- und Technologietransfer bereit.
B. adjungierte Methoden, Topologieoptimierung)nachweislich unabhängige Forschung und Veröffentlichungen in führenden FachzeitschriftenKenntnisse in nichtlinearer und/oder ultraschneller Optik (wünschenswert) Die Leibniz Universität Hannover setzt sich für Chancengleichheit und Diversität ein.
Die Leibniz Universität Hannover (LUH) bietet exzellente Arbeitsbedingungen in einem lebendigen wissenschaftlichen Umfeld, eingebettet in die hervorragenden Lebensbedingungen einer modernen Großstadt im Grünen. Das Dezernat Forschung und EU-Hochschulbüro, Technologietransfer stellt umfassenden Service in der Forschungs- und Nachwuchsförderung und im Wissens- und Technologietransfer bereit.
Wir suchen hochmotivierte und kreative Kandidat*innen mit einem starken Interesse an den mathematischen und rechnerischen Grundlagen inverser Probleme und des wissenschaftlichen Rechnens im großen Maßstab, die motiviert sind, interdisziplinäre Forschung in den Bereichen Physik, Nanotechnologie, fortgeschrittenes Rechnen, Materialwissenschaften und Design zu betreiben. Kernqualifikationen: Abgeschlossenes wissenschaftliches Hochschulstudium (Master oder gleichwertige Qualifikation) in angewandter Mathematik, Computerphysik, wissenschaftlichem Rechnen, Elektrotechnik oder einem eng verwandten Fachgebiet.Fundierte Kenntnisse in numerischer Analysis und partiellen Differentialgleichungen.Erfahrung mit numerischen Methoden für zeitabhängige partielle Differentialgleichungen.Hervorragende Programmierkenntnisse in C/C++ (erforderlich); Python oder ähnliche Programmiersprache wird dringend empfohlen.Solides Verständnis von Algorithmenentwicklung und Rechenkomplexität.Starkes Interesse an der Entwicklung wissenschaftlicher Software und am Hochleistungsrechnen Erwünschte Zusatzqualifikationen: Erfahrung mit Finite-Differenzen- oder Finite-Elemente-Diskretisierungen der Maxwell-Gleichungen.Kenntnisse in adjungierten Methoden und gradientenbasierter Optimierung.Erfahrung mit parallelem Rechnen (MPI, OpenMP, CUDA oder ähnliches).Erfahrung in der Mitarbeit an Forschungssoftware, die über die Programmierung auf Skriptebene hinausgeht.Nachweisliche mathematische Reife und Interesse an theoretischen Aspekten der numerischen Modellierung.