Professur „Theoretische Grundlagen der Physical AI“ (m/w/d)

Professur „Theoretische Grundlagen der Physical AI“ (m/w/d) Bes. Gr. W2 Zum Wintersemester 2027/2028 oder später ist in der Fakultät für Informationstechnik folgende Stelle zu besetzen: Ihre Aufgaben

• Sie unterstützen die Fakultät für Informationstechnik dabei, die Lehre und Forschung im Bereich „Theoretische Grundlagen der Physical AI“ zu stärken
• Sie bauen entsprechende Kooperationen innerhalb und außerhalb der Hochschule auf
• Ihr Aufgabenspektrum erstreckt sich auf die Lehre in den Bachelor- und Masterstudiengängen, die Betreuung der Studierenden sowie die anwendungsorientierte Forschung unter Einwerbung von Drittmitteln
• Sie bringen die Bereitschaft mit, auch Grundlagenthemen in den Bachelor-Studiengängen der Fakultät für Informationstechnik in der Lehre zu vertreten und an der Weiterentwicklung des Lehrangebots der Fakultät mitzuwirken
• Sie sind in der Lage, Lehrveranstaltungen in deutscher und englischer Sprache anzubieten
• Sie unterstützen durch Ihre aktive Mitwirkung in der akademischen Selbstverwaltung Was wir bieten Sie erwarten spannende, anspruchsvolle Aufgaben mit vielfältigen Gestaltungsmöglichkeiten und kreativem Freiraum. Wir sind eine teamorientierte, interdisziplinär und international arbeitende Fakultät mit 25 Professorinnen und Professoren. Unsere Arbeitsatmosphäre ist kollegial, wobei wir auf moderne und ganzheitliche Lehrmethoden und ein attraktives Angebot für unsere Studierenden mit intensiver Betreuung und Förderung setzen. Das bringen Sie mit Gesucht wird eine Persönlichkeit, die über einen fundierten Hintergrund in Physical AI und deren theoretischen Grundlagen verfügt. Sie haben zudem Erfahrung in Anwendungsfeldern wie der Robotik und Autonomie, der industriellen Automatisierung, der intelligenten Mobilität oder der Medizintechnik. Spezielle Expertise haben Sie in einem oder mehreren der folgenden Bereiche:
• Datengetriebene Modellierung und Simulation dynamischer Systeme (World Models oder Operator Learning)
• Foundation Models und skalierbare Lernverfahren für Physical AI
• Safe Learning in Control Loops
• Robuste und daten- bzw. ressourceneffiziente Lernverfahren, z. B. Offline Learning, Lernen unter Distribution Shift oder Sim-toReal-Transfer
• Multimodale Perzeption und Sensorfusion, z. B. robuste 3D-Repräsentationen Stellenanzeige automatisch mit KI zusammengefasstWissenschaftsmanagement Physik Mathematik Medizintechnik Automatisierungstechnik, Messtechnik, Regelungstechnik Informatik Wissenschaftsmanagement Medizintechnik Physik Mathematik Medizintechnik Professor, Professorin Lehre & Forschung, Wissenschaft Universität Vollzeit