Praktikum – Experimentelle Datenwissenschaft für Gaserkennung und Zeitreihenanalyse

Über die VAT Group

Bei VAT verändern wir die Welt mit Vakuumlösungen. Als weltweit führender Anbieter von Hochleistungs-Vakuumventilen treiben wir seit über 60 Jahren Innovationen voran. Mit mehr als 3.200 Mitarbeitenden weltweit sind wir von unserem Hauptsitz in Haag, Schweiz, aus tätig, mit Fertigungsstandorten in der Schweiz, Malaysia und Rumänien sowie Vertriebs- und Servicezentren rund um den Globus. Wir werden von unseren Leidenschaften Integrität, Teamarbeit, Kundenorientierung und Innovation geleitet – stets gemeinsam als #oneVAT.

Wenn Sie zu uns kommen, werden Sie Teil eines leidenschaftlichen, internationalen Teams, in dem Ihre Stimme gehört wird, Ihre Ideen zählen und Ihr berufliches Wachstum gefördert wird.

Ihre Herausforderung:

Unsere Produkte sind Schlüsselkomponenten in der Halbleiterfertigung weltweit. Zur Unterstützung der Entwicklung intelligenter Vakuumsysteme suchen wir einen Praktikanten, der praktische Experimente mit Datenwissenschaft und maschinellem Lernen verbinden möchte. Während Ihres Praktikums untersuchen Sie die Gasdynamik in einer Vakuumprozesskammer mit fortschrittlichen Sensortechnologien. Sie tragen zum gesamten Entwicklungszyklus bei, einschließlich experimenteller Planung, Datenerfassung, Vorverarbeitung, Merkmalsentwicklung, Zeitreihenmodellierung und Modellvalidierung.

Ihre Aufgaben umfassen:

• Vertraut werden mit Vakuumtechnik, Gasdynamik, Prozesskammern und Sensorsystemen.
• Unterstützung beim Aufbau und der Durchführung von Experimenten in unserem Vakuum-Testlabor.
• Planung von Experimenten mit einem strukturierten Design-of-Experiments-Ansatz.
• Erfassung und Organisation multivariater Zeitreihendaten verschiedener Sensortechnologien.
• Entwicklung von Datenvorverarbeitungs-Workflows für Synchronisation, Filterung, Segmentierung, Ausreißerbehandlung und Datenqualitätsbewertung.
• Untersuchung der Zusammenhänge zwischen Sensorsignalen, Gaseigenschaften und Prozessbedingungen.
• Entwicklung und Vergleich datengetriebener Methoden für:
• Merkmalextraktion
• Gas- oder Prozessbedingungsklassifikation
• Vorhersage und Regression
• Prozessüberwachung
• Ereignis- oder Anomalieerkennung
• Validierung der entwickelten Methoden anhand unabhängiger Experimente und verschiedener Betriebsbedingungen.
• Dokumentation der experimentellen Verfahren, Datensätze, Modellierungsmethoden, Ergebnisse und Einschränkungen.
• Präsentation Ihrer Erkenntnisse und möglicher nächster Schritte für Ingenieure und Forschende.

Ihre Kompetenzen:

• Derzeitiges Studium eines MSc-Studiengangs in Datenwissenschaft, maschinellem Lernen, Physik, Mathematik, Maschinenbau, Elektrotechnik, Chemieingenieurwesen, Regelungstechnik, Mechatronik oder einem verwandten Fachgebiet.
• Grundkenntnisse in Datenanalyse, Statistik, Signalverarbeitung oder maschinellem Lernen.
• Programmiererfahrung in Python oder MATLAB.
• Interesse an der Kombination von experimenteller Arbeit mit datengetriebener Modellierung.
• Bereitschaft, praktisch mit Vakuumausrüstung, Sensoren und Datenerfassungssystemen zu arbeiten.
• Systematisches Denken und Begeisterung für die Entwicklung innovativer technischer Lösungen.
• Fähigkeit zum selbstständigen Lernen und zur Zusammenarbeit in einem multidisziplinären F&E-Umfeld.
• Gute schriftliche und mündliche Englischkenntnisse.

Zusätzliche Erfahrungen sind von Vorteil:

• Erfahrung mit Zeitreihendaten, Signalverarbeitung oder Sensor-Datenanalyse.
• Vertrautheit mit scikit-learn, PyTorch, TensorFlow, MATLAB oder ähnlichen Tools.
• Erfahrung mit Design of Experiments oder Labor-Messungen.
• Kenntnisse in Merkmalsentwicklung, Modellvalidierung oder Unsicherheitsabschätzung.
• Interesse an Vakuumtechnik, Gaserkennung, Prozesssteuerung oder Halbleiterfertigung.

Was Sie lernen werden:

• Praktische Erfahrung mit Vakuumsystemen und fortschrittlichen Sensortechnologien.
• Experimentelles Design und systematische Datenerfassung.
• Vorverarbeitung und Analyse grosser multikanaliger Sensordatensätze.
• Zeitreihen-Maschinelles Lernen für reale physikalische Systeme.
• Validierung datengetriebener Modelle durch Laborexperimente.
• Anwendungswissen in Gaserkennung und Halbleiterausrüstung.