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