Promotion - KI-gesttzte Optimierung fr HLK-Systeme unter Verwendung von Wissensgraphen LLMs und neurosymbolischer KI

Etwa 30% des weltweiten Energieverbrauchs entfallen auf Gebude wobei ein erheblicher Anteil auf Heizungs Lftungs und Klimaanlagen (HLK) entfllt um den thermischen Komfort der Bewohner:innen zu gewhrleisten. Die meisten HLKSysteme werden mit regelbasierten Methoden geregelt denen es hufig an der fr einen energieeffizienten Betrieb erforderlichen dynamischen Flexibilitt mangelt. Als vielversprechende Alternative hat sich die modellprdiktive Regelung (MPC) etabliert die jedoch detaillierte Systemmodelle erfordert deren Entwicklung fr jedes einzelne Gebude arbeitsintensiv ist.

Ziel der Promotion ist die Entwicklung von Methoden zur Automatisierung und Untersttzung bei der Erstellung von Optimierungswerkzeugen fr HLKSysteme in Gewerbe sowie Industriegebuden. Der Schwerpunkt liegt dabei auf der Integration von KIMethoden wie neuronalen Netzen generativer KI sowie neurosymbolischer KI um die Effizienz von HLKSystemen zu verbessern und gleichzeitig den Komfort der Bewohner:innen zu gewhrleisten.

Das Projekt konzentriert sich auf die Entwicklung von Werkzeugen fr die halbautomatische Erstellung von Modellen fr die Optimierung von HLKSystemen durch die Kodierung von Expertenwissen in symbolische Reprsentationen die alle relevanten Datenpunkte und ihre Beziehungen erfassen. Diese Datenpunkte werden aus verschiedenen Quellen wie Freitextbeschreibungen Datenpunktlisten sowie Anlagenkennschlsseln identifiziert. Diese Informationen werden dann fr die weitere Verarbeitung in Wissensgraphen strukturiert. Um ein semantisches Systemverstndnis zu ermglichen werden KIMethoden darunter Large Language Models (LLMs) Large MultiModel Models (LMMs) sowie neurosymbolische KI auf ihre Fhigkeit untersucht natrlichsprachliche Eingaben zu interpretieren und aus dem extrahierten Wissen dieser Graphen Schlussfolgerungen zu ziehen. Der resultierende Wissensgraph reprsentiert das Gebudesubsystem und macht es fr Optimierungsalgorithmen sowie Entscheidungsmodelle zur Optimierung des HLKSystems zugnglich.

• Als Teil unseres Teams betrieben Sie Forschung zu KIbasierten Methoden zur Optimierung von HLKSystemen unter Verwendung einer Kombination aus groen Sprachmodellen groen multimodalen Modellen Wissensgraphen und neurosymbolischen KIAnstzen.
• Sie entwickeln Werkzeuge zur Untersttzung der halbautomatischen Erstellung von Optimierungsmodellen unter Verwendung von unstrukturierten Eingabedaten (csvDateien Zeitreihendaten P&IDs etc.) und Expertenwissen.
• Die Integration von KITechniken zur automatischen Identifizierung sowie Zuordnung relevanter Datenpunkte fr die Steuerung von HLKSystemen unter Verwendung von generativer KI und Wissensgraphentechnologie zur Datenextraktion sowie Schlussfolgerung gehrt ebenfalls zu Ihren Augaben.
• Des Weiteren implementieren Sie neurosymbolische KIAnstze die die Strken von neuronalen Netzen und symbolischen Schlussfolgerungen kombinieren um die Systemoptimierung sowie die Entscheidungsfindung zu verbessern.
• In Zusammenarbeit mit Fachleuten aus den Bereichen KI und Gebudeautomatisierung stellen Sie sicher dass die Lsungen den realen Herausforderungen in gewerblichen sowie industriellen Umgebungen entsprechen.
• Nicht zuletzt verffentlichen Sie Ihre Forschungsergebnisse in fhrenden akademischen Zeitschriften und prsentieren Sie Ihre Ergebnisse auf hochkartigen internationalen Konferenzen.

Qualifications :

• Ausbildung: hervorragender MasterAbschluss (oder gleichwertig) in Informatik Ingenieurwesen angewandter Mathematik oder einem verwandten Gebiet mit Schwerpunkt auf KI maschinellem Lernen oder Optimierung
• Erfahrungen und Knowhow: in LLMs Wissensgraphentechnologien sowie Frameworks fr maschinelles Lernen (und Optimierungstechniken); Kenntnisse zu HLKAnlagen oder Gebudeautomation von Vorteil; starke Programmierkenntnisse insbesondere in Python; Erfahrung mit symbolischer KI neurosymbolischen Anstzen und der Entwicklung von Wissensgraphen wnschenswert
• Persnlichkeit und Arbeitsweise: Sie sind innovativ arbeiten eigenverantwortlich und fhlen sich in einem interdisziplinren internationalen Umfeld zu Hause
• Sprachen: sehr gutes Englisch (in Wort und Schrift); Deutschkenntnisse sind von Vorteil

Zustzliche Informationen :

Bitte schicken Sie uns Ihre aussagekrftigen Bewerbungsunterlagen zu (inkl. Lebenslauf Zeugnisse).

Vielfalt und Inklusion sind fr uns keine Trends sondern fest verankert in unserer Unternehmenskultur. Daher freuen wir uns ber alle Bewerbungen: unabhngig von Geschlecht Alter Behinderung Religion ethnischer Herkunft oder sexueller Identitt.

Sie haben Fragen zum Bewerbungsprozess
Sarah Schneck (Human Resources)
49(711)

Sie haben fachliche Fragen zum Job
Felix Kosack (Functional Department)
49(711)