Postdoctoral Position (m/f/d) Machine Learning for the Acceleration of Simulations

Das Universitätsklinikum Schleswig-Holstein (UKSH) verbindet internationale Spitzenforschung mit interdisziplinärer Krankenversorgung. Wir sind einziger Maximalversorger und größter Arbeitgeber des Landes. Unsere rund 17.000 Mitarbeitenden stellen eine höchst individuelle Versorgung sicher - unverzichtbar für die Menschen in Schleswig-Holstein.

Precision Vascular Research Group

Abteilung für Radiologie und Neuroradiologie

Projekt: STRIVE - Simulation-based TRIals for Vascular trEatment

Über das Projekt

Herz-Kreislauf-Erkrankungen sind weltweit weiterhin die häufigste Todesursache, doch die derzeitige klinische Zulassung für die Behandlung von Krankheiten, insbesondere für neuartige Implantate, stützt sich auf populationsbasierte Studien, welche die individuelle Patientenvariabilität vernachlässigen. In-silico-Studien — computerbasierte Simulationen klinischer Szenarien — bieten eine leistungsstarke Alternative: Durch die Erstellung digitaler Zwillinge von Patienten und Implantaten können Behandlungsergebnisse schnell und sicher getestet werden, ohne dass invasive Eingriffe oder groß angelegte klinische Studien erforderlich sind.

STRIVE zielt darauf ab, ein regulatorisch abgestimmtes computergestütztes Framework für personalisierte vaskuläre Interventionen zu entwickeln, mit einem anfänglichen Fokus auf intrakranielle Aneurysmen. Das Projekt kombiniert fortschrittliche Simulationsmethoden, experimentelle Validierung und eine enge Zusammenarbeit mit Klinikern und Industriepartnern, um letztendlich eine schnellere Implantatentwicklung, eine sicherere präoperative Planung und eine bedeutsame Reduzierung der Anzahl von Tier- und Humanversuchen zu ermöglichen. Als Teil eines jungen interdisziplinären Teams tragen Sie direkt zum Aufbau dieses Frameworks bei und gestalten die Medizin von morgen.

Einstieg in unser Team

Wir suchen professionelle und kompetente Unterstützung zum nächstmöglichen Zeitpunkt, befristet auf 4 Jahre.

Was wir bieten:

• Die Vergütung erfolgt auf Basis der deutschen Entgeltgruppe E13 TV-L (100%), sofern die Voraussetzungen des Tarifvertrags erfüllt sind
• Eine Vollzeitbeschäftigung, derzeit 38,5 Stunden/Woche; eine Teilzeitbeschäftigung kann im Rahmen bestimmter Arbeitszeitmodelle möglich sein
• Flexible Arbeitszeiten zur Berücksichtigung individueller Bedürfnisse
• Interdisziplinäre Forschung an der Schnittstelle von Medizin, Physik, Ingenieurwesen und Informatik
• Eine dynamische, internationale biomedizinische Forschungsgruppe in einem universitätsklinischen Umfeld

Ihre Aufgaben:

• Entwicklung datengesteuerter Ersatzmodelle (Surrogate Models), um rechenintensive physikbasierte Simulationen für die Aneurysmenbehandlung, namentlich numerische Strömungsmechanik (CFD) und Finite-Elemente-Modellierung (FEM), zu ersetzen und so eine schnelle, bedarfsgerechte Simulation patientenspezifischer Behandlungsszenarien zu ermöglichen
• Design und Implementierung von Machine-Learning-Pipelines (ML) unter Verwendung von Full-Fidelity-CFD- und FEM-Daten, um sicherzustellen, dass die Modelle über verschiedene Patientengeometrien und Gerätekonfigurationen hinweg generalisieren
• Integration der trainierten Ersatzmodelle in das umfassendere In-silico-Trial-Framework sowie Bewertung ihrer Genauigkeit, Robustheit und Recheneffizienz im Vergleich zu Full-Fidelity-Simulationen
• Untersuchung KI-basierter Methoden zur Vorhersage von Behandlungsergebnissen und zur Geräteoptimierung, um zur klinischen Entscheidungsunterstützung des Frameworks beizutragen
• Enge Zusammenarbeit mit Klinikern, Wissenschaftlern und Ingenieuren zur Entwicklung und Validierung modernster Simulationstechniken
• Leitung und Mitverfassung wissenschaftlicher Publikationen sowie Repräsentation des Projekts auf internationalen Konferenzen

Ihr Profil:

• Promotion in Informatik, Angewandter Mathematik, Physik, Ingenieurwesen oder einem verwandten Fach mit starkem computergestütztem Fokus
• Fundierte praktische Erfahrung im Bereich Machine Learning für wissenschaftliche Anwendungen — einschließlich Surrogate Modeling, Reduced-Order Models (ROM) oder Physics-Informed Machine Learning (PIML/PINNs) — ist die zentrale technische Grundlage für diese Position
• Sicherer Umgang mit Python und relevanten ML-Frameworks (z. B. PyTorch, TensorFlow, JAX) ist essenziell
• Vertrautheit mit CFD, FEM oder anderen numerischen Simulationsmethoden ist ein erheblicher Vorteil
• Erfahrung mit High-Performance-Computing-Umgebungen (HPC) ist von Vorteil

Bitte reichen Sie ein Motivationsschreiben und einen Lebenslauf, einschließlich gegebenenfalls Zeugnissen und Arbeitsreferenzen, als ein einziges PDF bis zum 22. Juni 2026 unter Angabe der Referenznummer 28652 ein.

Bei Fragen zur Stelle wenden Sie sich bitte an die Projektleitung.