Enric Ribera Borrell

• Entwickeln und Implementieren stochastischer Optimierungsverfahren für Optimalsteuerungsprobleme, die in der Molekulardynamik und Robotik relevant sind, unter Einsatz moderner Machine-Learning-Techniken • Anwenden von Deep-Learning-Techniken, darunter Funktionsapproximation über neuronale Netze und gradientenbasierte Optimierungsmethoden • Entwerfen und Implementieren von Reinforcement-Learning-Algorithmen für Optimalsteuerungsprobleme • Implementieren, Trainieren und Bewerten von Deep-Learning-Modellen

• Zusammenarbeit mit dem Computational Science & Engineering Laboratory (CSElab) zur Entwicklung innovativer Actor-Critic-RL-Algorithmen für Optimalsteuerungsprobleme • Wissensaustausch und Präsentation eigener Arbeiten zur RL-Theorie mit zufälligen Zeithorizonten

• Durchführen von Backend-Aufgaben zur Pflege und Erweiterung der digitalen Plattform des GMPG-Projekts mittels einer datenbankgestützten Website auf Basis von Python, Django und PostgreSQL • Entwerfen und Pflege des GMPG-Datenbankschemas unter Einsatz des Django-ORMs sowie Durchführen von Datenmigrationen • Entwickeln und Warten von RESTful-APIs mit dem Django REST Framework • Konzeption und Implementierung der ersten Versionen einer Patentdatenbank und einer Finanzdatenbank

• Modellieren und Anpassen des GMPG-Datenbankschemas auf Basis der Produktanforderungen • Erstellen und Optimieren von SQL-Abfragen für interne Benutzer, das Berichtswesen und die Datenanalyse • Erstellen und Pflege von Unit-, Integrations- und Systemtests zur Verbesserung der Zuverlässigkeit • Durchführen von Frontend-Anpassungen und Erstellen nutzerorientierter Views und Templates

• Beteiligung an dem Fire-RESIST-Projekt • Durchführung von Simulationen zur Validierung neu entwickelter Materialien mit dem Fire Dynamics Simulator (FDS)-Werkzeug • Sensitivitätsanalyse des Verhaltens der oben genannten Modelle