Einsatzort

Duisburg

Einsatzbereich

Fakultät für Ingenieurwissenschaften, Elektronische Bauelemente und Schaltungen

Wissenschaftliche:r Mitarbeiter:in (PostDoc) (w/m/d, Nr. 179-26)
EG 13 TV-L

Die Arbeitsgruppe von Prof. Wöhrle setzt sich aus Forschenden des Fachgebiets Elektronische Bauelemente und Schaltungen (EBS) und der Gruppe Smart Embedded Systems des Fraunhofer-Instituts für Mikroelektronische Schaltungen und Systeme (IMS) zusammen. Der Forschungsschwerpunkt liegt auf Embedded AI, also der effizienten Ausführung von KI-Modellen auf ressourcenbeschränkten eingebetteten Systemen. Das Team entwickelt durchgängige Lösungen vom trainierten Modell bis zur optimierten Inferenz auf Mikrocontrollern, FPGAs und anwendungsspezifischen Prozessoren (ASIPs/NPUs), unter Einsatz von Methoden wie Quantisierung, Pruning und Neural Architecture Search. Die enge Kooperation mit dem Fraunhofer IMS ermöglicht den direkten Transfer wissenschaftlicher Ergebnisse in industriell relevante Anwendungen, etwa in der Medizintechnik, der prädiktiven Wartung oder der autonomen Robotik. Dabei soll KI in ressourcen- und energiebeschränkten Umgebungen von implantierbaren Sensoren bis zu autonomen Robotern verlässlich und in Echtzeit einsetzbar werden.

Besetzungszeitpunkt

zum nächstmöglichen Zeitpunkt

Vertragsdauer

4 Jahre

Arbeitszeit

39 Std. 50 Min. (100%) Teilzeitbeschäftigung möglich

Ihre Aufgabenschwerpunkte

Ihr Aufgabenbereich umfasst die eigenverantwortliche Mitarbeit in einem wachsenden Forschungsteam mit Fokus auf Embedded AI von der Modelloptimierung bis zur hardwarenahen Implementierung auf eingebetteten Plattformen. Zu Ihren Aufgaben gehören unter anderem:

• Modelloptimierung für eingebettete KI: Sie entwickeln und evaluieren Methoden zur effizienten Ausführung von KI-Modellen (insbesondere neuronale Netze) auf ressourcenbeschränkten eingebetteten Systemen wie Mikrocontrollern, FPGAs und anwendungsspezifischen KI-Prozessoren (NPUs/ASIPs).
• Modellkomprimierung und -quantisierung: Sie erforschen und wenden Techniken zur Reduktion von Modellkomplexität an, darunter Post-Training Quantization, Quantization-Aware Training, strukturiertes Pruning, Knowledge Distillation und Neural Architecture Search um Genauigkeit und Ressourceneffizienz auf der Zielhardware optimal abzustimmen.
• Entwicklung von Embedded-AI-Toolchains und -Pipelines: Sie konzipieren und implementieren durchgängige Verarbeitungspipelines – von der Datenvorverarbeitung und dem Modelltraining (z. B. mit PyTorch oder TensorFlow) bis zum Deployment mittels Frameworks wie TFLite Micro, ONNX Runtime oder CMSIS-NN – und evaluieren diese systematisch auf realer eingebetteter Hardware.
• Benchmarking, Validierung und Anwendungsübertragung: Sie definieren aussagekräftige Metriken (Latenz, Energieverbrauch, Speicherbedarf, Genauigkeit) und leiten daraus Optimierungsstrategien ab. Sie übertragen KI-Methoden in konkrete Anwendungsdomänen wie Gesundheitsüberwachung, Anomalieerkennung oder Bildverarbeitung auf eingebetteten Systemen.
• Publikation und wissenschaftliche Sichtbarkeit: Sie publizieren Ihre Ergebnisse in hochrangigen Fachzeitschriften und auf einschlägigen Konferenzen (z. B. DATE, DAC, EMBC, ICML) und tragen aktiv zur Sichtbarkeit der Forschungsgruppe in der internationalen Embedded-AI-Community bei.
• Einwerbung von Drittmitteln und Projektmitarbeit: Sie wirken aktiv bei der Konzeption und Beantragung von Forschungsprojekten mit und arbeiten eng mit Industriepartnern sowie anderen Forschungsgruppen am Fraunhofer IMS und der UDE zusammen.
• Mitbetreuung von Studierenden: Sie begleiten und betreuen Bachelor- und Masterarbeiten und bringen Ihre Expertise in die Lehre des Fachgebiets ein.

Ihr Profil

• Abgeschlossene Promotion in Elektro- und Informationstechnik, technischer Informatik, Maschinellem Lernen oder einem verwandten Fachgebiet mit nachweisbarem Bezug zu eingebetteten Systemen oder KI.
• Fundierte Kenntnisse in Deep-Learning-Frameworks (PyTorch und/oder TensorFlow) sowie nachgewiesene Erfahrung im Deployment von KI-Modellen auf eingebetteten Plattformen mittels einschlägiger Toolchains (z. B. TFLite Micro, ONNX Runtime, CMSIS-NN, Edge Impulse oder vergleichbarer Werkzeuge).
• Praktische Erfahrung mit Methoden der Modelloptimierung, insbesondere Quantisierung, Pruning oder Neural Architecture Search (NAS) für ressourcenbeschränkte Systeme.
• Sehr gute Programmierkenntnisse in Python und C/C++; Erfahrung mit eingebetteten Entwicklungsumgebungen (z. B. ARM Cortex-M, RISC-V, STM32 oder vergleichbarer MCU-/SoC-Plattformen) ist von Vorteil.
• Nachgewiesene wissenschaftliche Publikationstätigkeit im Bereich Embedded AI, Edge Computing, TinyML oder verwandter Gebiete (Konferenz- oder Zeitschriftenbeiträge).
• Hohe Eigenmotivation, ausgeprägte analytische Fähigkeiten und Freude an selbständiger wissenschaftlicher Arbeit;
• Sehr gute Deutsch- und Englischkenntnisse in Wort und Schrift.
• Im Rahmen der Tätigkeit wird eine wissenschaftliche Weiterqualifikation erwartet und unterstützt.

Sie erwartet

• Ein abwechslungsreiches Aufgabengebiet mit der Verwendung von Schlüsseltechnologien der Zukunft
• Eine interessante, verantwortungsvolle Tätigkeit mit großem Gestaltungspotenzial
• Ein Arbeitsumfeld mit einem respektvollen, wertschätzenden Miteinander
• Ein angenehmes Arbeitsklima in einem dynamischen Team
• Familienfreundlichkeit durch Betreuung für Ihre Kinder und Beratung bei Ihren Pflegeaufgaben
• Ein breit aufgestelltes Fort- und Weiterbildungsangebot, individuelle Einarbeitung
• Eine sehr gute ÖPNV-Anbindung und kostenfreie Parkplätze am Standort
• Attraktive Sport- und Gesundheitsangebote
• Die Möglichkeit von anteilig mobiler Arbeit

Bewerbungsfrist

2026-05-15

Kennziffer

179-26

Bewerbung

Ihre Bewerbung mit den üblichen Unterlagen (Lebenslauf, Liste der Veröffentlichungen, Empfehlungsschreiben und Zeugnisse) richten Sie bitte unter Angabe der Kennziffer 179-26 an Herrn Dr. Roman Burkard, Universität Duisburg-Essen, Fakultät für Ingenieurwissenschaften, 47048 Duisburg, Telefon 0203/379-1074, E-Mail roman.burkard@uni-due.de

Informationen zur Stelle

Informationen über die Fakultät und die ausschreibende Stelle finden Sie unter: https://www.uni-due.de/iw

Offen im Denken

Wir sind eine junge, innovative Universität mitten in der Metropole Ruhr. Ausgezeichnet in Forschung und Lehre denken wir in Möglichkeiten statt in Grenzen und entwickeln Ideen mit Zukunft. Wir leben Vielfalt, fördern Potenziale und engagieren uns für Bildungsgerechtigkeit, die diesen Namen verdient.

Weitere Informationen

Die Universität Duisburg-Essen verfolgt das Ziel, die Vielfalt ihrer Mitglieder zu fördern.
www.uni-due.de/diversity

Frauen werden nach Maßgabe des Landesgleichstellungsgesetzes bei gleicher Qualifikation bevorzugt berücksichtigt.

Bewerbungen geeigneter Schwerbehinderter und Gleichgestellter i. S. des § 2 Abs. 3 SGB IX sind erwünscht.

Mit Ihrer Bewerbung auf eine der ausgeschriebenen Stellen erklären Sie sich mit den Vorgaben gemäß der Datenschutzgrundverordnung und einer Kontaktaufnahme per Mail ausdrücklich einverstanden. Weitere Informationen zum Datenschutz erhalten

Zurück

www.uni-due.de/karriere