Studien-/Abschlussarbeit - Quanten Graph Neural Networks zur Vorhersage von Moleküleigenschaften in Stuttgart bei Fraunhofer Gesellschaft

Ausschreibung für Fachrichtungen wie z.B.: Informatik, Mathematik, Physik oder vergleichbares.

Masterarbeit: Skalierbare und kosteneffiziente Lösungen für die Speicherung erneuerbarer Energien sind unerlässlich, um den steigenden Energiebedarf der Welt zu decken und gleichzeitig den Klimawandel einzudämmen. Die Umwandlung von Strom in Wasserstoff, sowie der umgekehrte Verbrennungsprozess können dabei eine wichtige Rolle spielen. Um Katalyseprozesse im Bereich der Wasserstoffproduktion effizient ablaufen zu lassen, werden laufend neue Materialien untersucht. Zur Simulation und Berechnung von Katalyseeigenschaften werden bereits Methoden des maschinellen Lernens eingesetzt. Insbesondere graphenbasierte Neuronale Netze (GNN) erweisen sich hier als besonders vielversprechend [1]. Da die Vorhersage von Potentialflächen und anderen relevanten Eigenschaften auf molekularer und atomarer Ebene abläuft, wird ebenfalls der Einsatz von Quantencomputern untersucht. In der Literatur existieren bereits erste Ansätze um GNNs auf Quantencomputern zu realisieren [2, 3, 4]. In der Masterarbeit soll untersucht werden, inwieweit sich diese Quanten-GNNs zur Vorhersage von molekularen Eigenschaften eignen. Dazu muss je nach Vorwissen zunächst ein Verständnis über GNNs, sowie einige Grundlagenwissen zu Quantencomputing erarbeitet werden. Tiefergehendes Wissen bezüglich der Elektrokatalyse ist nicht unbedingt erforderlich. Gegen Ende der Masterarbeit können die erarbeiteten Ansätze auf einem echten Quantencomputer getestet und evaluiert werden.

[1] R. Tran, J. Lan, M. Shuaibi, B. M. Wood, S. Goyal, A. Das, J. Heras-Domingo, A. Kolluru, A. Rizvi, N. Shoghi, A. Sriram, F. Therrien, J. Abed, O. Voznyy, E. H. Sargent, Z. Ulissi, and C. L. Zitnick, The open catalyst 2022 (oc22) dataset and challenges for oxide electrocatalysts," 2022.
[2] G. Verdon, T. McCourt, E. Luzhnica, V. Singh, S. Leichenauer, and J. Hidary, Quantum graph neural networks," 2019.
[3] K. Beer, M. Khosla, J. Köhler, and T. J. Osborne, Quantum machine learning of graphstructured data," 2021.
[4] X. Ai, Z. Zhang, L. Sun, J. Yan, and E. Hancock, Decompositional quantum graph neural network," 2022.

Was Sie bei uns tun

• Wie funktionieren Quanten GNNs?
• Wie müssen molekulare Daten vorverarbeitet werden, um sie mit einem Quantencomputer zu nutzen?
• Eignen sich Quanten GNNs zur Vorhersage von Potential Flächen im Kontext der Elektrokatalyse?
• Wie verhält sich die Performance im Vergleich zu klassischen GNNs?

Was Sie mitbringen

• Erfahrungen mit Maschinellem Lernen
• Programmierkenntnisse in Python
• Grundlagenwissen in Quantenmechanik/Quantencomputing

Was Sie erwarten können

• Forschung an der Schnittstelle zur Industrie
• interdisziplinäres Team
• Sehr fexibles Forschungsumfeld
• Rechenzugriff auf einen Quantencomputer

Wir wertschätzen und fördern die Vielfalt der Kompetenzen unserer Mitarbeitenden und begrüßen daher alle Bewerbungen – unabhängig von Alter, Geschlecht, Nationalität, ethnischer und sozialer Herkunft, Religion, Weltanschauung, Behinderung sowie sexueller Orientierung und Identität. Schwerbehinderte Menschen werden bei gleicher Eignung bevorzugt eingestellt.

Mit ihrer Fokussierung auf zukunftsrelevante Schlüsseltechnologien sowie auf die Verwertung der Ergebnisse in Wirtschaft und Industrie spielt die Fraunhofer-Gesellschaft eine zentrale Rolle im Innovationsprozess. Als Wegweiser und Impulsgeber für innovative Entwicklungen und wissenschaftliche Exzellenz wirkt sie mit an der Gestaltung unserer Gesellschaft und unserer Zukunft.

Haben wir Ihr Interesse geweckt? Dann bewerben Sie sich jetzt online mit Ihren aussagekräftigen Bewerbungsunterlagen. Wir freuen uns darauf, Sie kennenzulernen!

Frau Jennifer Leppich
Recruiting
Tel. +49 711 970-1415

Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA

Kennziffer: 64362 Bewerbungsfrist: