Dr. Marius Frank

- Entwicklung von Algorithmen zur Verbesserung der Stabilität und Effizienz von Quantum Embedding (QE) Methoden in der Festkörperphysik. - Entwurf und Implementierung neuer Algorithmen, die Machine Learning nahtlos in einem "Black-Box"-Ansatz integrieren, um QE-Berechnungen zu beschleunigen. Verwendete Werkzeuge (unter anderem): - Python: SciPy, NumPy, PySCF, pandas, PyTorch, scikit-learn, etc. - C++, CMake - Machine Learning: Bayesian Machine Learning und neuronale Netzwerke für Regressionsaufgaben - SQL

Implementierungen zur Berechnung magnetischer molekularer Eigenschaften mithilfe von Coupled-Cluster-Modellen. Alle Implementierungen sind Teil des kommerziell erhältlichen Quantenchemie-Programmpaketes TURBOMOLE.

- Implementierung und Entwicklung niedrig-skalierender Algorithmen zur Berechnung von Coupled Cluster Anregungsenergien - Integration dieser Entwicklungen in das Quantenchemie Softwarepaket TURBOMOLE unter Verwendung von Parallelisierungstechniken (OpenMP und MPI) zur Verwendung auf High Performance Computing Clustern (HPC) - Verantwortlich für den Aufbau, die Konfiguration und die Administration mehrerer Linux-basierter HPC-Cluster - Betreuung mehrerer Bachelorarbeiten, Praktika und Übungsgruppen.

- Eigenständige Durchführung einer umfassenden Analyse verschiedener Varianten der Dichtefunktionaltheorie (DFT), mit Fokus auf deren Genauigkeit bei Berechnungen angeregter Zustände - Identifizierung und Vergleich der optimalen DFT-Methoden für die spezifischen Forschungsanforderungen des Teams - Erstellung einer detaillierten internen Anleitung zur Anwendung von constrained DFT-Berechnungen - Demonstration starker Eigeninitiative und Problemlösungsfähigkeiten durch selbstständiges Lösen komplexer Probleme

Theoretische Chemie, Physikalische Chemie

Biochemie, Organische Chemie, Physikalische Chemie