Event Reconstruction Physicist (EP-FCC-2026-166-GRAP)

Die nächste Generation von Experimenten, das HL-LHC Upgrade von CMS und der Future Circular Collider, benötigt eine Ereignisrekonstruktion, die schnell, genau und über CPUs und GPUs hinweg portabel ist. Jeder Rekonstruktionsalgorithmus und jedes Machine-Learning-Modell wird anhand der Simulations-Wahrheit (Simulation Truth) trainiert und bewertet. Heute wird diese Wahrheit in statischen, detektorspezifischen Objekten gespeichert. Jedes Objekt ist für einen Zweck vorgruppiert, kann nicht navigiert werden und trennt die Kalorimeter-Wahrheit von der Tracker-Wahrheit.

CERN hat einen Prototyp entwickelt, der diese ersetzt. Er ist ein navigierbarer Graph auf Ereignisebene der Generator- und Simulationshistorie, mit Kalorimeter- und Tracker-Hit-Indizes zusätzlich. Der Rekonstruktionscode argumentiert dann in Bezug auf stabile physikalische Abstraktionen: Teilchen, Vertices, Zerfallszweige und Hits.

Sie werden dies zum Wahrheitsmodell der Zukunft machen. Sie werden den Prototyp in eine experimentunabhängige Bibliothek generalisieren, ihn in den FCC-Softwarestack integrieren und ihn verwenden, um die nächste Rekonstruktion aufzubauen: Graph-Algorithmen und modernes Machine Learning für Clustering, Particle Flow und Teilchenidentifikation sowie ein zuverlässiges Matching zwischen rekonstruierten Objekten und der Wahrheit. Sie werden der EP-FCC-Gruppe beitreten und sowohl an CMS als auch an FCC-ee arbeiten.

Ihre Verantwortlichkeiten:

• Generalisieren Sie den CMS MC-truth Graph in eine detektor- und experimentunabhängige Bibliothek. Trennen Sie das Graph-Datenmodell, die Navigations-API und den Hit-Index von den Experiment-Datenformat-Bindings.
• Entwickeln Sie die Bindings. Halten Sie das CMSSW-Binding funktionsfähig und fügen Sie ein Binding für den FCC-Stack (Key4hep, EDM4hep, Gaudi) hinzu, sodass beide Experimente denselben Graphen aus ihrem eigenen Simulationsoutput erstellen.
• Erweitern Sie das Datenmodell. Fügen Sie Multi-Surface-Grenzflächenübergänge, eine spärliche Assoziationsspeicherung (sparse association storage) und ein reduziertes Hit-Index-Layout hinzu. Behandeln Sie Pileup konsistent.
• Entwickeln Sie die Rekonstruktions-zu-Wahrheit-Assoziation. Erweitern Sie den adaptiven Branch-Associator, der die Wahrheitsebene auswählt, die am besten zu einem rekonstruierten Objekt passt, und validieren Sie ihn an verschmolzenen Topologien wie konvertierten Photonen, Bremsstrahlung und frühen hadronischen Wechselwirkungen.
• Definieren Sie, was rekonstruierbar ist. Leiten Sie dies aus dem Wahrheitsgraphen und der Detektorbeschreibung ab, unter Verwendung von Zellgranularität, Energie- und Zeitauflösung, Ausleseschwellenwerten und der Trennung von zwei Objekten.
• Wenden Sie portable Graph-Algorithmen und fortgeschrittenes Machine Learning, zum Beispiel Graph Neural Networks und Transformer, auf Rekonstruktionsaufgaben in CMS (HGCAL und TICL) und in FCC-Detektoren an: Clustering, Linking, Particle Flow und Teilchenidentifikation.
• Erstellen Sie die Trainingsdatensätze und Labels aus dem Wahrheitsgraphen. Definieren Sie die Metriken, kalibrieren Sie die Modellausgaben und überprüfen Sie das Modell, bevor es die Rekonstruktion speist.
• Tragen Sie den Code zu den offiziellen Repositories von CMS und des FCC-Softwarestacks bei, mit Unit-Tests, Dokumentation und Code-Review.
• Präsentieren Sie die Ergebnisse in CMS- und FCC-Meetings, in Software-Foren und in Publikationen.
• Diese Rolle umfasst Aufgaben in der Teamleitung.

Ihr Profil:

• Ein Master-Abschluss oder ein PhD in Physik, Informatik, Angewandter Mathematik oder einem verwandten Bereich.
• Nachgewiesene Erfahrung mit modernem C++ in einer großen, gemeinsam genutzten und peer-reviewten Codebasis, zum Beispiel CMSSW, Gaudi oder Key4hep.
• Nachgewiesene Erfahrung mit zeitbewusster Ereignisrekonstruktion und Detektorsimulation in einem Hochenergiephysik-Experiment.
• Nachgewiesene Erfahrung mit heterogenem und portablem Computing, zum Beispiel Alpaka, SYCL, CUDA oder HIP.
• Erfahrung mit Python und mit mindestens einem Machine-Learning-Framework, vorzugsweise PyTorch.
• Erfahrung mit Graph- und Clustering-Algorithmen.
• Erfahrung mit git, Code-Review und kontinuierlicher Integration.

Fähigkeiten:

• C++20.
• Clustering, Ereignisrekonstruktion.
• Detektorsimulation.
• Particle Flow.
• CMSSW, Key4hep.
• Heterogenes Computing.
• Gesprochenes und geschriebenes Englisch, mit der Bereitschaft, Französisch zu lernen.

Zulassungskriterien:

• Sie sind Staatsangehöriger eines CERN-Mitglieds- oder Assoziierten Mitgliedstaats (https://home.cern/about/member-states).
• Sie haben einen beruflichen Hintergrund in Physik (oder einem verwandten Bereich) und haben entweder:
• einen Master-Abschluss mit 2 bis 6 Jahren Berufserfahrung nach dem Abschluss;
• oder einen PhD mit nicht mehr als 3 Jahren Berufserfahrung nach dem Abschluss.
• Sie hatten zuvor noch nie einen CERN-Fellow- oder Graduate-Vertrag.

Job-Schlussdatum: 13.11.2026 um 23:59 CET.

Vertragslaufzeit: 24 Monate, mit einer möglichen Verlängerung auf maximal 36 Monate.

Arbeitszeit: 40 Stunden pro Woche

Jobflexibilität: Hybrid

Geplantes Startdatum: 01-Januar-2027

Diese Position beinhaltet:

• Teilnahme an einem regelmäßigen Bereitschaftsdienst, einschließlich Nächten, Sonntagen und offiziellen Feiertagen.
• Arbeit während der Nächte, Sonntage und offiziellen Feiertage.
• Schichtarbeit.

Aufgrund der mit dieser Position verbundenen arbeitsmedizinischen Risiken muss der ausgewählte Kandidat eine medizinische Freigabe erhalten, bevor ein Vertragsangebot bestätigt wird.

Jobreferenz: EP-FCC-2026-166-GRAP

Arbeitsbereich: Experimentelle Physik

Benchmark-Job: 200140 - Applied Physicist

Globale Vorteile

• Ein monatliches Netto-Stipendium von entweder 6372 oder 7004 Schweizer Franken pro Monat, abhängig von Ihrem Abschluss.
• 30 Tage bezahlter Urlaub pro Jahr plus 2 Wochen Jahresbetriebsruhe.
• Abdeckung durch das umfassende Krankenversicherungssystem des CERN (für Sie selbst, Ihren Ehepartner und