SW Entwickler / Experimental Physicist (EP-ATL-OSW-2026-121-GRAP) — CERN
CHF 60'500 - 91'500
CERN · Geneva, GENEVA, Switzerland (GE)
- Ort
- Geneva
- Vertrag
- full-time
- Veröffentlicht
- vor 9 Tagen
LohnCHF 60'500 - 91'500
Rollenüberblick
Der Ereignisfilter (EF) ist Teil des ATLAS-Trigger- und Datenerfassungssystems (TDAQ) und besteht aus einer multi-threaded asynchronen Verarbeitungsfarm von Commodity-Servern (CPUs mit oder ohne Beschleuniger), die eine Teilmenge offline-ähnlicher Rekonstruktionsalgorithmen zusammen mit einer menügesteuerten Ereignisauswahl ausführen.
Die während des Phase-II-Betriebs erwarteten Bedingungen mit hoher Leuchtkraft stellen erhebliche Herausforderungen für die für den EF geplanten Algorithmen zur Objekt- und Ereignisrekonstruktion dar, insbesondere für die Gleisrekonstruktion.
Die jüngste Definition der EF-Farm als heterogene Architektur, die CPUs und GPUs kombiniert, eröffnet neue Möglichkeiten für die Bereitstellung von Modellen für maschinelles Lernen innerhalb des EF-Tracking-Workflows.
- Der Ereignisfilter (EF) ist Teil des ATLAS-Trigger- und Datenerfassungssystems (TDAQ) und besteht aus einer multi-threaded asynchronen Verarbeitungsfarm von Commodity-Servern (CPUs mit oder ohne Beschleuniger), die eine Teilmenge offline-ähnlicher Rekonstruktionsalgorithmen zusammen mit einer menügesteuerten Ereignisauswahl ausführen.
- Die während des Phase-II-Betriebs erwarteten Bedingungen mit hoher Leuchtkraft stellen erhebliche Herausforderungen für die für den EF geplanten Algorithmen zur Objekt- und Ereignisrekonstruktion dar, insbesondere für die Gleisrekonstruktion.
- Führen Sie Forschung zu maschinellem Lernen (ML) und KI-basierten Ansätzen für die Gleisrekonstruktion durch, wobei der Schwerpunkt auf der Anwendbarkeit und Leistung dieser Methoden in der Hochstapelumgebung des HL-LHC liegt.
- Untersuchen und vergleichen Sie neuartige ML-basierte Tracking-Algorithmen und deren Integration in den ACTS-basierten EF-Tracking-Workflow.
- Verständnis von Tracking-Herausforderungen in Umgebungen mit hoher Spurdichte, wie zum Beispiel am LHC mit hoher Luminosität.
- Erfahrung in der Entwicklung und Anwendung von maschinellen Lern- oder Deep-Learning-Methoden in einem physikalischen oder wissenschaftlichen Computing-Kontext.
Hauptaufgaben
- Führen Sie Forschung zu maschinellem Lernen (ML) und KI-basierten Ansätzen für die Gleisrekonstruktion durch, wobei der Schwerpunkt auf der Anwendbarkeit und Leistung dieser Methoden in der Hochstapelumgebung des HL-LHC liegt.
- Untersuchen und vergleichen Sie neuartige ML-basierte Tracking-Algorithmen und deren Integration in den ACTS-basierten EF-Tracking-Workflow.
- Beitrag zu Studien sowohl der physikalischen Leistung als auch der Rechenleistung der verschiedenen untersuchten Konfigurationen.
- Diese Rolle umfasst die Verantwortung der Teamaufsicht.
Wichtige Anforderungen
- Verständnis von Tracking-Herausforderungen in Umgebungen mit hoher Spurdichte, wie zum Beispiel am LHC mit hoher Luminosität.
- Erfahrung in der Entwicklung und Anwendung von maschinellen Lern- oder Deep-Learning-Methoden in einem physikalischen oder wissenschaftlichen Computing-Kontext.
- Praxiserfahrung in der Entwicklung von Offline- und/oder Online-Rekonstruktionssoftware.
- Fähigkeit, Teams zu führen und Richtungen zu definieren. Fähigkeiten:
- Machine Learning und Deep Learning Frameworks.
- Erfahrung mit ML Inference Deployment.
- Kenntnisse über ML-Modelltraining, -bewertung und -optimierung, einschließlich Hyperparameter-Tuning und Performance-Benchmarking.
- Programmiersprachen: C++ und Python, einschließlich Softwareentwicklungs-Workflows (Git, Jira).
- Erfahrungen mit groß angelegten wissenschaftlichen Software-Frameworks (z.B.
- ACTS, Athena) gelten als ein Gewinn.
- Englisch gesprochen und geschrieben, mit der Verpflichtung, Französisch zu lernen. Förderkriterien:
- Sie haben einen beruflichen Hintergrund in PhD in Teilchenphysik / CS (oder einem verwandten Bereich) und haben entweder:
Weitere Details
- Fähigkeit, Teams zu führen und Richtungen zu definieren.
- Englisch gesprochen und geschrieben, mit der Verpflichtung, Französisch zu lernen.
- Stellenbeschreibung: EP-ATL-OSW-2026-121-GRAP Arbeitsgebiet: Experimentelle Physik Benchmark-Job: 200140 Angewandter Physiker Globale Vorteile
- On-the-job und formale Ausbildung einschließlich Sprachunterricht. Überblick über CERN
Notizen und Originalinhalt
- Ihre Aufgaben:
- Ihr Profil:
- Fähigkeiten:
- Förderkriterien:
- Stellenbeschreibung: EP-ATL-OSW-2026-121-GRAP Arbeitsgebiet: Experimentelle Physik Benchmark-Job: 200140
- Angewandter Physiker Globale Vorteile
- On-the-job und formale Ausbildung einschließlich Sprachunterricht.
- Überblick über CERN
