Onderzoeker NOLAI: Leraar-AI samenwerking (junior)

Voor de co-implementatiepilot van het Nationaal Onderwijs Lab AI (NOLAI) zijn we op zoek naar een junior onderzoeker (0.6-0.8 fte). In dit project onderzoeken we hoe leraren samenwerken met een AI-hulpmiddel dat curriculum adaptiviteit ondersteunt bij het aanbieden van rekenlessen op maat. Het AI-hulpmiddel geeft op basis van leerlingdata de leraar suggesties voor het inplannen van lessen die voor hun specifieke leerlingen nuttig zijn. Leraren kunnen deze suggesties negeren, aanpassen of overnemen. Zo wordt het mogelijk om leerlingen een adaptief curriculum aan te bieden op individueel niveau. In dit onderzoek kijken we naar de leraar-AI samenwerking en de effecten van die samenwerking op het onderwijs.

Als junior onderzoeker ben je onderdeel van het wetenschappelijk team van de co-implementatiepilot. Je draagt bij aan het organiseren van de dataverzameling en –verwerking en denkt mee met de onderzoeksplannen. Je onderhoudt contact met deelnemende leraren, maakt een planning voor het afnemen van interviews. Daarnaast ondersteun je met het opstellen van enquêtes en interviewprotocollen en het afnemen en transcriberen van interviews. Verder draag je bij aan de analyse van de kwalitatieve interviewdata en krijg je de mogelijkheid om breder mee te kunnen denken over de onderzoeksopzet en -richting. Ook krijg je de kans om mee te schrijven aan de resultaten.

Onderzoeker NOLAI: Leraar-AI samenwerking (junior)

Voor de co-implementatiepilot van het Nationaal Onderwijs Lab AI (NOLAI) zijn we op zoek naar een junior onderzoeker (0.6-0.8 fte). In dit project onderzoeken we hoe leraren samenwerken met een AI-hulpmiddel dat curriculum adaptiviteit ondersteunt bij het aanbieden van rekenlessen op maat. Het AI-hulpmiddel geeft op basis van leerlingdata de leraar suggesties voor het inplannen van lessen die voor hun specifieke leerlingen nuttig zijn. Leraren kunnen deze suggesties negeren, aanpassen of overnemen. Zo wordt het mogelijk om leerlingen een adaptief curriculum aan te bieden op individueel niveau. In dit onderzoek kijken we naar de leraar-AI samenwerking en de effecten van die samenwerking op het onderwijs.

Als junior onderzoeker ben je onderdeel van het wetenschappelijk team van de co-implementatiepilot. Je draagt bij aan het organiseren van de dataverzameling en –verwerking en denkt mee met de onderzoeksplannen. Je onderhoudt contact met deelnemende leraren, maakt een planning voor het afnemen van interviews. Daarnaast ondersteun je met het opstellen van enquêtes en interviewprotocollen en het afnemen en transcriberen van interviews. Verder draag je bij aan de analyse van de kwalitatieve interviewdata en krijg je de mogelijkheid om breder mee te kunnen denken over de onderzoeksopzet en -richting. Ook krijg je de kans om mee te schrijven aan de resultaten.

Onderzoeker NOLAI: Leraar-AI samenwerking (junior)

Voor de co-implementatiepilot van het Nationaal Onderwijs Lab AI (NOLAI) zijn we op zoek naar een junior onderzoeker (0.6-0.8 fte). In dit project onderzoeken we hoe leraren samenwerken met een AI-hulpmiddel dat curriculum adaptiviteit ondersteunt bij het aanbieden van rekenlessen op maat. Het AI-hulpmiddel geeft op basis van leerlingdata de leraar suggesties voor het inplannen van lessen die voor hun specifieke leerlingen nuttig zijn. Leraren kunnen deze suggesties negeren, aanpassen of overnemen. Zo wordt het mogelijk om leerlingen een adaptief curriculum aan te bieden op individueel niveau. In dit onderzoek kijken we naar de leraar-AI samenwerking en de effecten van die samenwerking op het onderwijs.

Als junior onderzoeker ben je onderdeel van het wetenschappelijk team van de co-implementatiepilot. Je draagt bij aan het organiseren van de dataverzameling en –verwerking en denkt mee met de onderzoeksplannen. Je onderhoudt contact met deelnemende leraren, maakt een planning voor het afnemen van interviews. Daarnaast ondersteun je met het opstellen van enquêtes en interviewprotocollen en het afnemen en transcriberen van interviews. Verder draag je bij aan de analyse van de kwalitatieve interviewdata en krijg je de mogelijkheid om breder mee te kunnen denken over de onderzoeksopzet en -richting. Ook krijg je de kans om mee te schrijven aan de resultaten.

Postdoc Position in Scanning Probe Microscopy: Correlated Ground States and Multiwell Energy Landscapes in Novel Material Platforms

Correlated electron ground states in materials are currently being explored for utilisation in future energy-efficient nanoscale electronic devices. Two-dimensional (2D) materials provide an exciting platform to host unconventional superconductivity and novel types of magnetic ground states, often next to material phases with charge order. On top of that, creating material atom by atom is a promising route to tailor the electronic structure and to realise artificial matter with exotic electron ground states. Another promising route towards physical implementations of energy-based machine learning and neuromorphic hardware is to utilise material platforms that exhibit multiwell behaviour. One challenge here is to understand and control the dynamic response of the system for complex input signals.

Your goal will be to explore material systems that host novel types of correlated electron ground states as well as pushing forwards the limit of the implementation of brain-inspired computing in materials. You will use a combination of cryogenic scanning probe microscopy techniques beyond the state of the art in high magnetic fields. You will study (quasi) 2D materials and use atomic manipulation schemes to create materials atom by atom and characterise their electronic structure to explore the fundamental physical mechanisms.

Our Scanning Probe Microscopy (SPM) department has long-standing expertise in exploring novel types of magnetism, for example, self-induced spin glass [1] and spin spirals [2], and superconductivity in the 2D limit [3], as well as characterising electronic properties of 2D materials [4,5]. We have demonstrated the potential of black phosphorus as a platform for orbital memory [6] and even brain-inspired computing [7]. Creating matter atom by atom is a routinely tool in our SPM department to create artificial structures with tailored electronic properties [8].

Relevant references:

[1] Kamber et al., Science 368, eaay6757 (2020), Self-induced spin glass state in elemental and crystalline neodymium.

[2] Hauptmann et al., Nature Commun. 11, 1197 (2020), Quantifying exchange forces of a spin spiral on the atomic scale.

[3] Kamlapure et al., Nat. Commun. 13, 4452 (2022), Tuning lower dimensional superconductivity with hybridization at a superconducting-semiconducting interface.

[4] Sivakumar et al., Phys. Rev. B 111, 075409 (2025), Influence of surface relaxations on scanning probe microscopy images of the charge density wave material 2H-NbSe2.

[5] B. Kiraly et al., Nano Lett. 17, 3607 (2017), Probing Single Vacancies in Black Phosphorus at the Atomic Level.

[6] Kiraly et al., Nat. Commun. 9, 3904 (2018), An orbitally derived single-atom magnetic memory.

[7] Kiraly et al., Nat. Nanotechnol. 16, 414 (2021), An atomic Boltzmann machine capable of self-adaption.

[8] E. Sierda et al., Science 380, 1048 (2023), Quantum simulator to emulate lower-dimensional molecular structure.

Postdoc Position in Scanning Probe Microscopy: Correlated Ground States and Multiwell Energy Landscapes in Novel Material Platforms

Correlated electron ground states in materials are currently being explored for utilisation in future energy-efficient nanoscale electronic devices. Two-dimensional (2D) materials provide an exciting platform to host unconventional superconductivity and novel types of magnetic ground states, often next to material phases with charge order. On top of that, creating material atom by atom is a promising route to tailor the electronic structure and to realise artificial matter with exotic electron ground states. Another promising route towards physical implementations of energy-based machine learning and neuromorphic hardware is to utilise material platforms that exhibit multiwell behaviour. One challenge here is to understand and control the dynamic response of the system for complex input signals.

Your goal will be to explore material systems that host novel types of correlated electron ground states as well as pushing forwards the limit of the implementation of brain-inspired computing in materials. You will use a combination of cryogenic scanning probe microscopy techniques beyond the state of the art in high magnetic fields. You will study (quasi) 2D materials and use atomic manipulation schemes to create materials atom by atom and characterise their electronic structure to explore the fundamental physical mechanisms.

Our Scanning Probe Microscopy (SPM) department has long-standing expertise in exploring novel types of magnetism, for example, self-induced spin glass [1] and spin spirals [2], and superconductivity in the 2D limit [3], as well as characterising electronic properties of 2D materials [4,5]. We have demonstrated the potential of black phosphorus as a platform for orbital memory [6] and even brain-inspired computing [7]. Creating matter atom by atom is a routinely tool in our SPM department to create artificial structures with tailored electronic properties [8].

Relevant references:

[1] Kamber et al., Science 368, eaay6757 (2020), Self-induced spin glass state in elemental and crystalline neodymium.

[2] Hauptmann et al., Nature Commun. 11, 1197 (2020), Quantifying exchange forces of a spin spiral on the atomic scale.

[3] Kamlapure et al., Nat. Commun. 13, 4452 (2022), Tuning lower dimensional superconductivity with hybridization at a superconducting-semiconducting interface.

[4] Sivakumar et al., Phys. Rev. B 111, 075409 (2025), Influence of surface relaxations on scanning probe microscopy images of the charge density wave material 2H-NbSe2.

[5] B. Kiraly et al., Nano Lett. 17, 3607 (2017), Probing Single Vacancies in Black Phosphorus at the Atomic Level.

[6] Kiraly et al., Nat. Commun. 9, 3904 (2018), An orbitally derived single-atom magnetic memory.

[7] Kiraly et al., Nat. Nanotechnol. 16, 414 (2021), An atomic Boltzmann machine capable of self-adaption.

[8] E. Sierda et al., Science 380, 1048 (2023), Quantum simulator to emulate lower-dimensional molecular structure.