ML Engineer – AI Solver Development (m/w/d)

Ihre Aufgaben Seit Jahrzehnten zählt Cadmould zu den schnellsten und fortschrittlichsten Spritzgieß-Simulatoren am Markt und genießt branchenweit hohes Vertrauen. Jetzt haben wir etwas entwickelt, das es in dieser Form noch nie gab. Der Cadmould AI Solver ist das erste Large Engineering Model (LEM) für das Kunststoffspritzgießen: ein transformerbasiertes neuronales Physikmodell, das hochpräzise Ergebnisse bis zu 1.000-mal schneller liefert als klassische Solver. Es macht aus der Simulation, die bisher ein langsamer Validierungsschritt war, etwas, das Ingenieure in Echtzeit erkunden können. Das Modell läuft bereits als Research Preview auf unserer Website und wurde bereits an unsere ersten Kunden ausgeliefert. Einem neuronalen Netz die Physik von geschmolzenem Kunststoff beizubringen ist absolutes Neuland, und wir stehen noch ganz am Anfang. Sie arbeiten am Kern des Modells selbst: an seinem Aufbau, wie es lernt und mit welchen Daten es lernt. Nur wenige Teams weltweit bauen Engineering-Modelle dieser Art, und der Gestaltungsspielraum ist riesig. Diese Position kann von unserem Büro in Würselen bei Aachen aus oder remote aus Deutschland ausgeübt werden, mit gelegentlichen Reisen zu Teamevents und Vor-Ort-Terminen. Du arbeitest eng mit unseren Research Engineers und Fachexperten zusammen, um unseren AI Solver weiterzuentwickeln: das Modell, das Training, die Datensätze und die Evaluation, die die Komplexität realer Spritzgießprozesse abbilden. Das Modell verbessern . Mach dich mit unserem transformerbasierten AI Solver bis ins Detail vertraut: Architektur, Trainingsstrategien, Datengenerierung und Design-Entscheidungen. Iteriere anschließend an Architektur, Trainingszielen und Lernstrategien, um Genauigkeit und Generalisierung weiter zu verbessern. Experimente durchführen und auswerten. Experimente konzipieren, Modellverhalten analysieren, Erkenntnisse dokumentieren und in konkrete Verbesserungen bei Daten, Training und Modellqualität übersetzen. Gemeinsames Verständnis aufbauen. Ergebnisse klar kommunizieren und zu reproduzierbaren Arbeitsabläufen sowie einem gemeinsamen technischen Verständnis im Team beitragen. Die Plattform stärken. Unsere Workflows und Infrastruktur für Training, Evaluation und Deployment weiterentwickeln. Auch über das Modell hinaus mit anpacken. Als kleines, schnell agierendes Team schauen wir dort, wo es zählt, auch über den eigenen Tellerrand hinaus – von der KI-Service-Seite bis zu agentischen KI-Funktionen für Produktexperimente. Du hast den Freiraum, Problemen dorthin zu folgen, wo sie dich hinführen. Ihr Profil Studium in Machine Learning, Physik, (Computational) Engineering, Angewandter Mathematik oder einem verwandten Fach, mit mindestens 3 Jahren einschlägiger Erfahrung oder einer fundierten Basis aus persönlichen Projekten oder Forschungsprojekten. Wir stellen auf Mid- bis Senior-Level ein. Solide, praxiserprobte Grundlagen im Machine Learning mit PyTorch, TensorFlow oder Vergleichbarem sowie dem üblichen Data-Wrangling-Stack (NumPy und Verwandtes). Du setzt Forschungspapiere in funktionierenden Code um und gibst dich erst zufrieden, wenn du verstanden hast, warum sich ein Modell so verhält, wie es sich verhält. Strukturierte, methodische Arbeitsweise. Du dokumentierst Experimente, achtest auf Reproduzierbarkeit und erklärst Ergebnisse klar und verständlich. Coding Agents sind fester Bestandteil deiner Arbeitsweise – du betrachtest sie als System, das es zu optimieren gilt, nicht als gelegentlich genutztes Werkzeug. Du feilst kontinuierlich daran, wie du mit ihnen arbeitest – von Kontext und Tooling bis hin zum Workflow – und weißt genau, wo sie helfen und wo sie im Weg stehen.Englisch ist unsere Arbeitssprache und alles, was du für den Job benötigst. Deutschkenntnisse sind von Vorteil. Wir sind noch eine überwiegend deutschsprachige Kultur auf dem Weg zu Englisch. Von Vorteil: Transformer oder sequenzbasierte Modelle. Geometric Deep Learning, GNNs oder Lernen auf strukturierten 3D-Daten (Punktwolken, Meshes). Scientific Machine Learning, Surrogatmodellierung oder physikbasierte Daten. Cloud-Umgebungen für Machine-Learning-Workloads (Training, Experimentieren, Deployment). Tools für Experiment-Tracking und Versionierung (MLflow, Weights & Biases, DVC) sowie solide Software-Engineering-Grundlagen (Testing, Versionskontrolle, Containerisierung). Du musst nicht jeden Punkt erfüllen. Wenn du deine Lücken kennst und weißt, wie du sie schließt, bewirb dich. Warum wir? Eine echte technische Herausforderung. Du gestaltest eine bewährte Simulationsengine für einen Markt neu, der sich in Richtung Cloud und KI bewegt. Verantwortung und Wirkung. Rund 40 Mitarbeitende. Deine Entscheidungen prägen Produkt und Unternehmen. Moderne Tools. Notion, GitHub, Linear, Coding Agents. Wir entwickeln gerade die Arbeitsweisen, die das ermöglichen – und du gestaltest sie mit. Direkte, ehrliche Kultur. Offenes Feedback ist bei uns Standard, intern wie extern. Kein Micromanagement.