Index

Extern – Analyse des Potenzials von induktivem Laden für Stadtbusse (w/m/d)

 

 

Weitere Informationen sind der angehängten Stellenausschreibung im PDF-Format zu entnehmen:

Abschlussarbeit zu autonomen Drohnen

Drohnen werden in unterschiedlichsten Gebieten der Industrie eingesetzt, unter anderem zum Materialtransport in der Intralogistik oder zur Erfassung digitaler Lagebilder.

Für den effizienten und sicheren Einsatz ist es wünschenswert, dass die Drohnen ihre Aufgaben selbstständig erledigen, also autonom agieren. Durch den autonomen Betrieb wird es möglich mithilfe geeigneter Navigation die Drohnen beispielsweise hinsichtlich ihres Energieverbrauchs zu optimieren. Hierfür ist die Erforschung robotischer Infrastrukturen (Robot Operating System 2), Computer-Vision, neuartiger KI-Modelle und Reinforcement Learning erforderlich. Zudem sind Hardwareaspekte, wie ein stabiler Aufbau des Flugroboters sowie die Ausstattung mit entsprechender Sensorik zu beachten.

Am Flugfeld des Lehrstuhl FAPS sind verschiedene Themen für Bachelor- und Masterarbeiten in den oben genannten Bereichen zu vergeben. Voraussetzung ist die Motivation zur selbständigen Einarbeitung in die Programmierung von Flugrobotern. Weitere Informationen erhalten Sie auf Anfrage per E-Mail.

Hinweise zur Bewerbung

  • Erste Erfahrung und Freude an der Programmierung erforderlich
  • Vorkenntnisse mit ROS2 sind von Vorteil
  • Gute Englischkenntnisse erforderlich
  • Sehr gute Deutscherkenntnisse erforderlich (mind. C1)
  • Selbstständige Arbeitsweise
  • Zeitnaher Beginn möglich
  • Bewerbungen bitte per E-Mail mit aktueller Notenübersicht und Lebenslauf
  • Bitte beachten Sie, dass unvollständige Bewerbungen nicht berücksichtigt werden

BA/MA – Reinforcement Learning basierte Navigation für autonome Drohnen

Drohnen werden in unterschiedlichsten Gebieten der Industrie eingesetzt, unter anderem zum Materialtransport in der Logistik oder zur Erfassung und photogrammetrischen Rekonstruktion von Gebäuden und Baustellen.

Für den effizienten und sicheren Einsatz ist es wünschenswert, dass die Drohnen ihre Aufgaben selbstständig erledigen, also autonom agieren. Dadurch wird es möglich mithilfe Agenten-basierter Navigation die Drohnen auf Basis von Reinforcement Learning Ansätzen hinsichtlich unterschiedlicher Kriterien zu optimieren.

In dieser Arbeit soll ein Agent in einer Simulationsumgebung trainiert werden, um optimierte Flugpfade zu erlernen. Bei ausreichender Robustheit soll die Performance des Agenten auf einem realen System validiert werden.

Ziele und Arbeitsschritte

  • Einarbeitung in ROS2 und die Programmierung autonomer Drohnen
  • Anpassung der Simulationsumgebung und Training der Agenten
  • Übertrag und Validierung auf realem System

Benefits

  • Hands-On Erfahrung in der Entwicklung im Bereich Robotik
  • Austausch mit anderen Studierenden am FAPS
  • Einblicke in weitere Forschungsbereiche
  • Anwendungsbezogene Arbeit für den Berufseinstieg
  • Flexible Arbeitsweise

Hinweise zur Bewerbung

  • Erste Erfahrung und Freude an der Programmierung erforderlich
  • Vorkenntnisse mit ROS2 sind von Vorteil
  • Gute Englischkenntnisse erforderlich
  • Sehr gute Deutscherkenntnisse erforderlich (mind. C1)
  • Selbstständige Arbeitsweise
  • Zeitnaher Beginn möglich

Entwicklung eines Implantationswerkzeugs für ein Implantat zur Harninkontinenztherapie

Ausgangssituation und Aufgabenstellung

Belastungsharninkontinenz ist eine verbreitete Erkrankung, von der allein in Deutschland rund 3.000.000 Menschen betroffen sind. Bisherige künstliche Harnschließmuskel haben hohe Ausfallraten, erfordern einen invasiven Eingriff mit Krankenhausaufenthalt, sind unintuitiv zu bedienen und meist für Frauen ungeeignet, obwohl diese den Großteil der betroffenen Population darstellen.

Ein Start-up-Team aus Ärzten und Ingenieuren erforscht eine neuartige intraurethrale Sphinkterprothese. Das innovative Design ermöglicht eine intuitive Kontrolle der Miktion, während die Kontinenz bei Ereignissen wie Husten, Lachen oder dem Heben schwerer Gegenstände erhalten bleibt. Aufgrund der geringen Größe ist das Implantat sowohl für männliche als auch für weibliche Patienten geeignet und kann wenige Minuten nach einer minimalinvasiven ambulanten Implantation von den Patienten genutzt werden.

Im Rahmen der studentischen Arbeit soll ein Implantationswerkzeug für das Implantat entwickelt, prototypisch mittels 3D-Druck, Spritzguss und Silikonguss umgesetzt und in Zusammenarbeit mit Medizinern evaluiert werden.

Arbeitsschwerpunkte

  • Konzeption des Implantationswerkzeugs in Zusammenarbeit mit dem Team
  • Strukturierte Recherche zum Stand der Technik
  • Erstellung des Designs mit Autodesk Inventor
  • Prototypische Umsetzung des Implantationswerkzeugs
  • Evaluation der Funktionalität und der Usability in Zusammenarbeit mit Medizinern

Vorkenntnisse

  • Kreative, lösungsorientierte und eigenständige Arbeitsweise
  • Interesse an der Entwicklung Medizinprodukten & Implantaten
  • Vorkenntnisse in Methoden der Produktentwicklung und im Umgang mit CAD-Programmen
  • Spaß an praktischer Arbeit und Prototypenbau
  • Motivation sich neue Kenntnisse im Bereich der Medizinprodukteentwicklung anzueignen

Hinweise zur Bewerbung

  • Beginn ist jederzeit möglich
  • Bewerbungen bitte per Email mit aktueller Notenübersicht und Lebenslauf
  • Weitere Informationen auf Anfrage per Mail

Abschlussarbeit (BA/MA/PA): Selbstlernende Robotik – Eine systematische Analyse aktueller Forschung und zukünftiger Herausforderungen

Mit dem Fortschritt im Bereich Künstliche Intelligenz und maschinelles Lernen gewinnt die Entwicklung selbstlernender Roboter zunehmend an Bedeutung. Ziel dieser Arbeit ist es, einen systematischen Überblick über den aktuellen Stand der Forschung zu geben, Schwerpunkte und Trends zu identifizieren sowie Herausforderungen und offene Forschungsfragen zu analysieren.

Im Zentrum stehen Ansätze, bei denen Roboter ihre Fähigkeiten nicht nur durch klassische Programmierung, sondern durch Lernen aus Daten oder durch Interaktion mit der Umwelt selbstständig entwickeln. Dazu zählen unter anderem Reinforcement Learning, Imitation Learning, Learning from Demonstration oder Meta-Learning im Kontext von Robotik.

Ziele der Arbeit:

  • Systematische Recherche und Auswertung wissenschaftlicher Publikationen im Bereich selbstlernender Robotik.

  • Kategorisierung der verwendeten Lernmethoden (z. B. RL, IL, Deep RL, Modellbasiertes Lernen).

  • Überblick über typische Anwendungsfelder (z. B. Manipulation, Navigation, Multi-Agenten-Systeme, Mensch-Roboter-Interaktion).

  • Vergleich genutzter Simulations- und Trainingsumgebungen (z. B. Gazebo, Isaac Sim, Mujoco).

  • Analyse aktueller Herausforderungen und offener Forschungsfragen.

  • Ableitung möglicher zukünftiger Forschungsrichtungen.

Mögliche Leitfragen:

  • Welche Lernparadigmen werden derzeit in der Robotik bevorzugt eingesetzt?

  • In welchen Bereichen (Industrie, Medizin, Service, Logistik) kommen selbstlernende Roboter besonders zum Einsatz?

  • Welche Simulationsumgebungen und Toolkits unterstützen die Entwicklung lernfähiger Roboter?

  • Welche Herausforderungen bestehen im Transfer von simuliertem zu realem Verhalten („Sim2Real Gap“)?

  • Welche Rolle spielt die Interaktion mit dem Menschen beim Lernen?

Voraussetzungen:

  • Interesse an Robotik, KI und maschinellem Lernen.

  • Bereitschaft zur intensiven Auseinandersetzung mit wissenschaftlicher Literatur.

  • Gute Deutsch- oder Englischkenntnisse.

  • Grundkenntnisse in wissenschaftlichem Arbeiten und Literaturverwaltung (z. B. mit Zotero, Mendeley oder LaTeX/BibTeX).

Organisatorisches:

  • Art der Arbeit: Bachelor- oder Masterarbeit (auch als theoretische Projektarbeit möglich).

  • Beginn: jederzeit möglich.

 

Wenn du Interesse hast, sende bitte deinen Lebenslauf, dein Transcript sowie ein kurzes Motivationsschreiben mit Bezug auf das Thema (1 Din A4 Seite, Arial 11 pt 1.5 linespace) an die unten angegebene E-Mail-Adresse. Ich freue mich auf deine Nachricht!

Abschlussarbeit (BA/MA/PA): Simulation und Reinforcement Learning für autonome Robotik mit Isaac Sim und ROS 2

Entwicklung und Training von Roboteragenten in realistischen Simulationsumgebungen

Reinforcement Learning (RL) in Kombination mit physikalisch realistischer Simulation bietet großes Potenzial für die Entwicklung intelligenter Roboter. NVIDIA Isaac Sim ermöglicht die Simulation komplexer Robotik-Szenarien mit realistischer Physik und bietet eine moderne Plattform für das Training von RL-gesteuerten Agenten. In dieser Abschlussarbeit soll ein Roboteragent in Isaac Sim durch belohnungsbasiertes Lernen trainiert werden, um autonome Aufgaben zu bewältigen – mit einer direkten Schnittstelle zu ROS 2 zur realitätsnahen Systemintegration.

Der Fokus liegt auf der Verbindung von Simulation, Reinforcement Learning und moderner Robotersoftware, um robuste, übertragbare Verhaltensstrategien zu entwickeln.

Ziele und Aufgaben:

  • Aufbau einer Simulationsumgebung in Isaac Sim für eine vorgegebene Roboteraufgabe (z. B. Navigation, Pick & Place).

  • Implementierung und Training von RL-Algorithmen (z. B. PPO, SAC) mit geeigneten Frameworks (z. B. Isaac Gym, RLlib, Stable Baselines3).

  • Anbindung an ROS 2, z. B. für Sensordaten, Steuerungsschnittstellen oder Datenvisualisierung.

  • Evaluation des Lernverhaltens (Konvergenz, Stabilität, Generalisierung).

  • (Optional) Erweiterung durch Methoden wie Domain Randomization oder Curriculum Learning.

Voraussetzungen:

  • Gute Programmierkenntnisse in Python.

  • Erste Erfahrung mit Reinforcement Learning und zugehörigen Frameworks (z. B. Gym, PyTorch, TensorFlow).

  • Interesse an Robotik, Simulation und KI.

  • Grundkenntnisse in ROS 2 (oder Bereitschaft, sich schnell einzuarbeiten).

  • Gute Deutsch- oder Englischkenntnisse.

  • Selbstständige und strukturierte Arbeitsweise.

Organisatorisches:

  • Beginn: ab sofort oder nach Absprache.

  • Art der Arbeit: Bachelorarbeit, Masterarbeit oder Projektarbeit.

  • Individuelle Betreuung.

Wenn du Interesse hast, sende bitte deinen Lebenslauf, dein Transcript sowie ein kurzes Motivationsschreiben mit Bezug auf das Thema (1 Din A4 Seite, Arial 11 pt 1.5 linespace) an die unten angegebene E-Mail-Adresse. Ich freue mich auf deine Nachricht!

EXTERN bei Siemens: Verschiedene Arbeiten zur Entwicklung einer Machine Learning Operations (MLOps) Anwendung für Machine Vision Use-Cases in der SMT-Fertigung (MA/PA/BA)

Ausgangssituation

Im Zuge der Digitalisierung sind konsistente Datensätze längst zu einer wertvollen Ressource geworden. Besonders im Produktionsbereich stehen oft Terabyte an verschiedenen Messwerten und Prozessdaten zur Verfügung. In Kombination mit Methoden der intelligenten Datenverarbeitung wie Machine Learning lassen sich damit große, wirtschaftliche Hebel erzeugen.

Besonders die Branche der Elektronikfertigung ist geprägt durch einen umfassenden Automatisierungsgrad und weitreichende Kommunikationsstandards, wodurch der Grundstein für den Einsatz maschineller Lernverfahren gelegt ist. Durch umfassende Prüfprozesse wird in der Elektronikfertigung eine exzellente Produktqualität im einstelligen dpm-Bereich erzielt. Erhöhte Durchlaufzeiten, hohe Investitionskosten und erhöhter Platzbedarf stellen jedoch die Kehrseite der Medaille dar. Dadurch ist der Ansatz entstanden mittels intelligenter Datenauswertung den Prüfaufwand ohne Reduktion der Qualität zu minimieren.

Keywords

Data Science, Big Data, Artificial Intelligence, Machine Learning, IIoT

Aufgabenstellung

Im Rahmen der Abschlussarbeit soll zusammen mit dem Industriepartner Siemens die Möglichkeit der Prüfaufwandsreduktion durch intelligente Datenanalyse ermittelt werden. Dies erfolgt anhand bereits vorhandener Datensätze welche sich aus unterschiedlichsten Quellen zusammensetzen. Die Datensätze müssen effizient zusammengeführt, mittels statistischer Methoden gesichtet und abschließend in ein geeignetes Machine Learning Modell überführt werden. Aus den Erkenntnissen des selbst erstellen Modells soll eine Qualitätsvorhersage für ein bestimmtes Produktspektrum der Siemens AG ermöglicht werden. Es wird auf bereits bestehenden Arbeiten aufgebaut. Die Bearbeitung erfolgt bei Siemens in Amberg.

Potentielle Arbeitspakete

  • Einarbeitung in die SMT-Fertigung, die relevanten Grundlagen des maschinellen Lernens (insbesondere Machine Vision) und den aktuellen Stand des Projekts
  • Anfertigung einer strukturierten Datenanalyse mit Prozessexperten vor Ort, um den Informationsgehalt der Daten zu überprüfen
  • Ausarbeitung verschiedener Machine Learning Modelle für den effizienten Umgang mit den heterogenen Datenstrukturen und die Prädiktion der Produktqualität
  • Vollständige Dokumentation der Arbeit (GitHub, Conceptboard etc.)

Vorkenntnisse

  • keine themenspezifischen Vorkenntnisse erforderlich, Einarbeitungszeit wird gewährt
  • Programmierkenntnisse von Vorteil

Voraussetzungen

  • Begeisterung für das Fachgebiet
  • Hohe Motivation und Einsatzbereitschaft
  • Strukturierte und eigenständige Arbeitsweise
  • Arbeiten im Team
  • IT-Affinität

Beginn

  • Ab sofort und jederzeit möglich

Sonstiges

  • Anwendungsbezogene Forschung direkt beim Industriepartner Siemens in Amberg
  • Bearbeitung der Arbeit kann jedoch größtenteils im Home-Office erfolgen
  • Der Arbeitsumfang kann je nach Art der Arbeit (BA/PA/MA) angepasst werden

Bewerbung

  • Bewerbung mit Lebenslauf und aktueller Fächerübersicht bitte per E-Mail an Konstantin Schmidt (kein Anschreiben oder Motivationsschreiben erforderlich)
  • Nähere Informationen über Umfang und genaue Ausrichtung der Arbeit gerne im persönlichen Gespräch

[BA/MA] Bestimmung und Auswirkung der Restwelligkeit von Gleichrichtern auf die Funktionsfähigkeit nachgeschalteter Gleichstromsysteme

Zahlreiche für den Betrieb kritische elektrische Systeme der Deutschen Bahn wie beispielsweise Weichen, Signale und Achszähler werden in einem separaten Gleichstromkreis betrieben. Innerhalb eines dieses Stromkreises sind zudem Batteriesysteme parallelgeschaltet, die im Falle eines Stromausfalls oder Ausfall eines Gleichrichters unmittelbar als Notstromversorgung einspringen. Im Regelbetrieb sind die Batteriesysteme dauerhaft im sog. Ladeerhaltungsmodus eingebunden.
Der für die Systeme benötigte Gleichstrom wird über Wechselrichter aus der Netzspannung gewandelt, die klassischerweise ein 50Hz-Wechselstromnetz darstellt. Aufgrund der Art und Weise der Gleichrichtung bleibt – je nach Typ und Alter des Gleichrichters – eine mehr oder minder hohe Restwelligkeit im Gleichstromkreis bestehen. Ein wenig untersuchtes Gebiet ist die Auswirkung von Restwelligkeiten auf die oben beschriebenen Gleichstromsysteme, die teilweise empfindlich auf bereits leichte Spannungsschwankungen reagieren. Aktuell existiert nur stichprobenartige Evidenz, dass Systeme aufgrund von Restwelligkeiten frühzeitig ausfallen oder ihre Lebensdauer signifikant verkürzt wird.
In der zu bearbeitende studentische Arbeit soll zunächst an unterschiedlichen Standorten gemessen, die Daten ausgewertet und letztendlich Rückschlüsse auf den Einfluss auf die Gleichstromsysteme gezogen werden. Stellt sich heraus, dass Restwelligkeit einen hohen Einfluss besitzt, soll diese zukünftig regelmäßig gemessen und frühzeitig bei Grenzwertüberschreitungen gewarnt werden. Im Rahmen der Arbeit bist Du direkt eingebunden in die Weiterentwicklung für ein Frühwarn- und Diagnosesystem der Instandhaltung.

Was ist der Inhalt der Arbeit?

  • Arbeite dich in die Funktionsweise von elektrischen Versorgungssystemen von Stellwerken und nachgeschalteten Gleichstromsystemen ein.
  • Erarbeite den theoretischen Hintergrund der Entstehung von Restwelligkeiten an Gleichrichtersystemen und den Einfluss auf nachgeschaltete Systeme.
  • Entwirf eine Messstrategie zur Messung von Restwelligkeit.
  • Erfasse die Restwelligkeit von Stromversorgungssystemen in Stellwerken an mehreren Standorten für einen umfassenden Überblick über die aktuelle Situation.
  • Vergleiche die Messdaten mit dem Zustand der eingebundenen Systeme wie z.B. Typen oder Generationen von Stellwerken und bewerte den Einfluss auf diese.
  • Bestimme die Anforderungen an einen Grenzwert oder Indikator, den ein potenzielles Messgerät zur Messung von Restwelligkeiten erfassen muss, um eine Aussage über die Lebensdauer von Gleichstromsystemen zu treffen.

Was erwartet dich?

  • Arbeite im engen Kontakt mit der DB InfraGO und anderen DB Unternehmen und erhalte einen direkten Einblick die Technik in Stellwerken, die unsere Infrastruktur am Laufen hält.
  • Erhalte einen tiefen Einblick in die Funktionsweisen von Stellwerken und angeschlossenen Systemen.
  • Tritt in den Austausch mit Fachexperten im Bereich Energieversorgung bei der Deutschen Bahn.
  • Sei eingebunden in ein praxis- und ergebnisrelevantes Projekt zur Erhöhung der Verfügbarkeit von Systemen der Deutschen Bahn und gestalte unmittelbar mit.

Was bringst du mit?

  • Du beweist Flexibilität in der Absprache mit Personal an den Standorten und hast ein proaktives Auftreten gegenüber Verantwortlichen.
  • Du bist bereit für Reisetätigkeiten, um an unterschiedlichen Standorten in Deutschland Messungen vorzunehmen.
  • Du hast gute Deutschkenntnisse in Wort und Schrift.

Haben wir dein Interesse geweckt oder hast du noch Rückfragen? Wir freuen uns auf deine Anfrage.

Kontakt:
Andreas Reichle (HOREICH GmbH)
andreas.reichle@horeich.de
+49 9131 9234042

Generative KI im Systems Engineering: Prototyp zur virtuellen Inbetriebnahme mit Unity und TIA

Im Rahmen des Forschungsprojekts LLM-SE (Large Language Model unterstütztes Systems Engineering) erforschen wir am Lehrstuhl FAPS innovative Ansätze zur Teilautomatisierung des Engineerings mechatronischer Systeme mithilfe generativer KI. Ziel ist es, komplexe Entwicklungsprozesse – von der Anforderungsanalyse bis zur virtuellen Inbetriebnahme – durch KI-gestützte Assistenzsysteme effizienter und robuster zu gestalten.

Aufgabenbereiche

Wir suchen motivierte Studierende zur Unterstützung bei der Entwicklung eines Demonstrators, der die virtuelle Inbetriebnahme eines mechatronischen Systems ermöglicht. Der Fokus liegt auf der Integration generativer KI-Modelle (z. B. LLMs) zur Unterstützung von Engineering-Aufgaben.

  1. Modellerstellung in Unity

    • Erstellung und Kinematisierung des mechatronischen Systems (am Beispiel einer CO2-Neutralen Produktionsanlage am FAPS)

    • Integration von Verhaltensmodellen zur Beschreibung von Sensoren und Aktoren

  2. Anbindung der SPS mit Siemens TIA Portal

    • Entwicklung einer einfachen Steuerungslogik für das System

    • Anbindung der SPS an das Mechatronische Modell

  3. Erstellung der ECAD-Verbindung

    • Extraktion relevanter Verbindungen zwischen SPS und der Produktionsanlage

    • Ableitung der IO-Strukturen

  4. Integration generativer KI-Modelle

    • Anbindung eines LLM-Moduls zur teilautomatisierten Modell- oder Codegenerierung

    • Evaluation der KI-gestützten Assistenzfunktionen im Engineering-Prozess

Profil

  • Studium in Maschinenbau, Elektrotechnik, Mechatronik, Informatik oder vergleichbar

  • Kenntnisse in Unity (C#), TIA Portal oder EPLAN wünschenswert

  • Interesse an KI, Automatisierung und virtueller Inbetriebnahme

  • Selbstständige und strukturierte Arbeitsweise, Teamfähigkeit sowie gute Kommunikationsfähigkeiten

  • Sehr gute Deutsch- und Englischkenntnisse in Wort und Schrift

Was wir bieten

  • Einbindung in ein aktuelles öffentlich gefördertes Forschungsprojekt

  • Hohe Zusammenarbeit mit regionalen Industriepartnern

Beginn

Ab sofort möglich. Die Position ist als Bachelor-, Projekt- oder Masterarbeit verfügbar.

Kontakt

Interessierte Studierende senden bitte ihre Bewerbungsunterlagen (kurzes Motivationsschreiben, Lebenslauf, Notenspiegel) per E-Mail an:E-Mail: martin.barth@faps.fau.de

Weitere Informationen zum Projekt LLM-SE:
 LLM-SE auf faps.fau.de

BA/PA/MA Reinforcement Learning for Industrial Optimization Problem

Problem Description:

Reference: Nina M, Sergey S, et. al. Reinforcement learning for combinatorial optimization: A survey. Elsevier

Production planning plays a crucial role in improving efficiency and resource utilization in electronics production. Many production planning problems can be formulated as combinatorial optimization problems and solved using specialized solvers. However, in real-world industrial settings, the vast amount of data leads to extremely high-dimensional optimization problems, which are significant challenges for classical solvers. As a result, developing solvers handling high-dimensional optimization problems has become a popular research topic. In recent years, applying artificial intelligence algorithms, particularly reinforcement learning, to solve complex, high-dimensional combinatorial optimization problems has attracted considerable attention.

Some studies showed that reinforcement learning has potential in solving combinatorial optimization problems. However, it is not that reliable when dealing with large-scale industrial data. Traditional RL methods often struggle with extremely slow convergence and sometimes get stuck in local minima, making it hard to apply them in real-world industrial scenarios.

This thesis aims to explore new ways to improve the efficiency of reinforcement learning algorithms, so they can better handle high-dimensional optimization problems.

Research topics and Workplan:

– Implementing classical reinforcement learning algorithms using a current popular software framework to solve a pre-defined small-scale industrial optimization problem.
– Explore methods to integrate traditional reinforcement learning algorithms with stochastic optimization algorithms.
– Benchmarking the classical reinforcement learning algorithms against your methods.
– (Optional) Exploring the possibilities of quantum reinforcement learning for solving the pre-defined industrial optimization problem.

Your abilities:
– Programming skills in Python are necessary.
– Prior knowledge or experience on reinforcement learning and reinforcement learning framework (Pytorch, Tensorflow, Gym…).
– Good English or German skills.
– You can begin with your BA/PA/MA as soon as possible.

You can contact us via the emails below. Please make sure to attach your transcript and resume when applying, and include a brief motivation in the email. Your motivation must be relevant to the topics described above. We look forward to your participation in our research.