Forscher - Quantum Machine Learning & Quantum Information

Die Rolle

Der Researcher in Quantum Machine Learning oder Quantum Information wird Mitglied des AI Applied Research Teams von Terra Quantum. Dieses Team steht an der Spitze der Durchführung sowohl fundamentaler als auch angewandter Forschung auf dem Gebiet des Quantum Machine Learning. Obwohl der Researcher sich auf Innovationen im Quantum Machine Learning konzentrieren wird, beinhaltet die Rolle die Übersetzung von Forschungsergebnissen in praktische algorithmische Softwarelösungen. Es wird erwartet, dass der Researcher wissenschaftliche und industrielle Trends sowie Bedürfnisse über kurz-, mittel- und langfristige Horizonte hinweg genau beobachtet und analysiert, insbesondere in den Sektoren Quantentechnologie und Machine Learning, um die Entwicklung und Implementierung hybrider quanten-klassischer Algorithmen zu leiten.

Der Researcher in Quantum Machine Learning spielt eine Rolle bei der Förderung der Exzellenz innerhalb seines Teams. Er ist nicht nur detailorientiert, sondern besitzt auch eine bemerkenswerte Fähigkeit zu Begeisterung. Durch das Zeigen von Engagement und Leidenschaft für die Mission inspiriert er seine Teammitglieder, dazu beizutragen, Quantentechnologien allgemein zugänglich zu machen und weltweit positive Veränderungen zu bewirken.

Die Verantwortlichkeiten

Der Applied Researcher sollte damit rechnen, in einem und unterstützend in anderen Bereichen der folgenden Aktivitäten des Quantum Machine Learning Teams zu arbeiten.

Fundamentale Forschung in Quantum Machine Learning

Entwicklung von Quantum Machine Learning Algorithmen für verschiedene Datenverarbeitungsaufgaben, z. B. Zeitreihen, Routing und Planung, Bild-, Graphdaten oder Natural Language Processing

Erforschung von State-of-the-Art-Ansätzen in Quantum Machine Learning

Analyse von parametrisierten Quantenschaltkreisen (parametrized quantum circuits) in ihrer Kapazität zu lernen über eine hybride quanten-klassische Optimierungsschleife

Nutzung von Metriken wie der Fisher-Informationsmatrix, der effektiven Dimension und der Fourier-Term-Zugänglichkeit für die Analyse von parametrisierten Quantenschaltkreis-Ansätzen

Verbesserung der Trainierbarkeit von parametrisierten Quantenschaltkreisen durch Layerwise Batch-Entropy Regularization und ähnliche Techniken

Interpretieren und Erklären von Quantum Machine Learning Modellen. Analyse des Informationsflusses durch verschiedene Architekturen von Quanten-Neuronalen Netzen

Erforschen und Verstehen, wo die Quantentechnologie Vorteile für das Machine Learning bringt

Entwicklung von Datenkodierungs- und Datenverarbeitungstechniken für verschiedene Arten von Quantencomputern

Schreiben von Forschungsarbeiten für wissenschaftliche Fachzeitschriften

Effiziente Implementierung von Quantum Machine Learning Algorithmen

Ausführung von Quantum Machine Learning Algorithmen auf QPUs, z. B. von QuEra, IonQ, Rigetti und IBM Q

Anpassung und Verbesserung der Implementierung hybrider Quanten-Neuronaler Netze für verschiedene QPUs

Erforschung und Testen der besten Wege, klassische Machine Learning Lösungen mit Quantum Machine Learning zu hybridisieren

Verständnis des Weges zur Implementierung einer effizienten Interaktion von Hardware (CPU, GPU) und Software (PyTorch, Pennylane)

Unterstützung bei der Entwicklung unseres Quantum Machine Learning SDK

Optimierung, zumindest theoretisch, des Codes von hybriden quanten-klassischen Machine Learning Lösungen für eine schnellere Ausführung

Unterstützung bei der Implementierung von Industrieprojekten

Einbringen neuartiger Ideen basierend auf industriellen Bedürfnissen in Aufgabenbereichen wie Zeitreihen, Routing und Planung, GenAI und Natural Language Processing

Brainstorming über Möglichkeiten der Anwendung von Quantum Machine Learning Algorithmen auf die industriellen Probleme unserer Kunden

Arbeit an der Ermittlung eines theoretischen oder empirischen Vorteils der Verwendung von hybrider quanten-klassischer Machine Learning in industriellen Problemen

Unterstützung beim Schreiben angewandter Industrieforschungsarbeiten für wissenschaftliche Fachzeitschriften

Die Anforderungen

Es wird erwartet, dass der Applied Researcher über mehrere Qualifikationen verfügt, abhängig vom Aktivitätsbereich in Quantum Machine Learning oder Quantum Information.

Derzeit ein Studium in Informatik, Physik, Mathematik oder einem gleichwertigen Fach absolvierend oder kürzlich abgeschlossen

Erfahrung in einer oder mehreren Quanten-Programmiersprachen (Qiskit, Pennylane, Cirq, etc.)

Erfahrung in der Arbeit mit variatonalen Quantenalgorithmen für Machine Learning

Erfahrung in der Arbeit mit klassischen Machine Learning Algorithmen

Grundkenntnisse in Python, Pytorch und TensorFlow

Erfahrung in der Arbeit mit QPUs ist optional

Vertrautheit mit Quanteninformationstheorie ist optional

Vertrautheit mit Tensor-Netzwerk-Techniken ist optional

Zielorientiert, analytisch und die Fähigkeit, selbstständig zu arbeiten

Flexibel, proaktiv und kreativ mit der Fähigkeit, im Team zu arbeiten

Hohe Motivation und Belastbarkeit mit der Fähigkeit, interdisziplinär zu arbeiten

Beherrschung der englischen Sprache in Wort und Schrift

Bewerber müssen das rechtliche Recht haben, in der Europäischen Union oder der Schweiz zu leben und zu arbeiten. Leider können wir für diese Rolle kein Visum-Sponsoring anbieten.

Die Vergütung

Wir sind ein internationales Team von Quantentechnologie-Experten und engagierten Business Creatives, die daran arbeiten, quantengestützte Lösungen auf den globalen Markt zu bringen. Unsere brillanten Teammitglieder genießen ein hohes Maß an Freiheit, indem sie remote arbeiten oder einem unserer Büros beitreten. Wir haben eine lebendige, enthusiastische, leidenschaftliche und kreative Kultur, die von Vertrauen, Exzellenz und kontinuierlicher Verbesserung getragen wird. Wenn Sie dem Terra Quantum Team beitreten, können Sie folgendes erwarten:

Eine Gelegenheit, mit einigen der klügsten Köpfe auf dem Pionierfeld der Quantentechnologien sowie