博士课题：物理学习理论

项目概览

本项目由 Technical University of Munich（TUM）Biological Physics and Morphogenesis 课题组招收一名理论方向博士生，由 Prof. Karen Alim 负责。

研究依托 ERC 项目 “Learning Matters!”，以 Physarum 这一网络状单细胞生物为模型，探索持续学习的物理机制。

项目把生物物理、软物质和理论建模结合起来，目标是从底层解释学习如何在没有神经元的系统中出现。

公开信息给出 2026 年 9 月 10 日截止，工作语言为英语和德语，合同为两年加两年，总计 4 年。

项目详情

申请页面明确说明，Prof. Karen Alim 的课题组正在 TUM Campus Garching 招收一名 theory PhD student（m/f/d），加入 ERC 项目 “Learning Matters!”。与传统上把学习研究集中在大脑不同，这个课题希望从更基础的物理层面理解学习的涌现过程。研究对象是 Physarum，这是一种网络形态的单细胞生物；它没有神经元，却能通过遍布管状网络的流动来传播输入信号，而这些输入由化学浓度和流体剪切力共同承载。管壁的黏弹性会对这些输入作出重构，从而表现出某种“持续学习”能力。项目的核心任务，就是建立一个理论框架来描述这种学习力学，并进一步预测如何在软物质体系中实现类似机制。

项目目标非常明确：不是停留在现象描述，而是要把 Physarum 的学习行为抽象为可计算、可解释的物理机制，再将这种机制与合成水凝胶中的软物质行为相对照。这样做的意义在于，它可以把“学习”从神经科学语境中抽离出来，放入更普适的物理框架下讨论，进而为人工软材料中的响应与记忆设计提供启发。对于申请者来说，这意味着研究工作需要同时理解生命体系中的复杂流动与材料体系中的力学响应，并把两者通过理论模型连接起来。项目还隐含要求申请者能够处理模型抽象、参数解释和数值推导之间的来回切换，因为持续学习并不是单一静态性质，而是时间演化中的结构重构过程。

方法上，项目的关键词是理论、建模和跨学科交流。申请者需要以物理或应用数学的背景为基础，具备 soft matter physics、complex systems physics、biological physics 或 statistical physics 相关知识，并且拥有编程能力。公开信息还强调，课题组是一个实验与理论并重、且强调国际合作的团队，因此学生在做理论推导和数值分析的同时，也需要能够与不同学科背景的团队成员协作。项目并未要求申请者预先锁定某个单一模型，但清楚表明博士训练会围绕物理机制建模、计算推导、结果解释和团队讨论展开。若申请者能说明自己如何把抽象理论转化为可验证的计算流程，会更贴合这个岗位的预期。

工作条件方面，项目给出的是 two-plus-two-year contract，薪酬按 TV-L E13 的 75% 计算，并且最早可在 2026 年 10 月开始。公开信息还说明，TUM 作为平等机会与积极行动雇主，鼓励女性及能为科研和教学策略带来更多多样性的人申请，职位也适合残障人士。整体上，这是一份资源清晰、制度明确、理论导向很强的博士岗位，适合希望把生物物理与软物质理论结合起来的人。

申请材料和流程也写得较完整。申请者需把 CV、publication list、成绩单、1 页以内的研究兴趣说明，以及两位推荐人的联系方式整理成一个 PDF，通过邮件发送给 Prof. Dr. Karen Alim，邮件主题须写为 “PhD Theory of Physical Learning”。公开信息同时给出了咨询邮箱和院系网站。需要注意的是，文本里反复出现申请邮箱，因此可以视为明确的主要联系渠道。申请者在准备材料时，最好在研究兴趣说明里直接回应“学习如何在 Physarum 中涌现”这一问题，并体现自己对理论与编程的组合能力。

申请要点

• 学历要求：物理、应用数学或相关学科的硕士学位。

• 研究背景：soft matter / complex systems physics、biological physics 或 statistical physics 相关知识。

• 技能要求：具备编程能力；能够用英语清晰进行书面和口头表达；愿意在跨学科和国际团队中工作。

• 工作语言：英语、德语。

• 合同与资助：两年加两年，总计 4 年；TV-L E13 75%。

• 开始时间：最早 2026 年 10 月。

• 申请材料：CV、publication list、成绩单、1 页研究兴趣说明、两位推荐人的联系方式，合并为一个 PDF。

• 联系方式：Prof. Dr. Karen Alim，k.alim at tum.de。

• 截止日期：2026 年 9 月 10 日。

需要进一步确认

• 公开信息未说明是否必须已经有论文发表，还是仅作为加分项。

• 申请页面中同时出现项目说明、联系信息和申请链接，未进一步展开博士注册与院系行政流程。

• 若申请者德语较弱，公开信息没有写明是否仍可完全用英语完成全部培养环节。

PhD 项目深度调研报告：PhD Theory of Physical Learning

执行结论

Recommendation label: 有吸引力，但需要核实匹配度。

这是一个面向理论生物物理、软物质、复杂系统以及无神经元学习物理学的高信号机会。项目之所以高度连贯，在于题目与 Prof. Karen Alim 的官方研究画像、Biological Physics and Morphogenesis group 围绕 adaptive flow networks 的工作，以及 ERC 资助的 Learning Matters 议程彼此一致。

主要需要谨慎的是匹配精度。这不是一个围绕单一 benchmark 的常规建模 PhD，而更像是一个需要理论构建、编程能力，以及在 Physarum 生物学、flow-network mechanics、wall viscoelasticity 和 synthetic soft matter 之间持续来回切换的项目。在把它视为行政流程已完全明确之前，仍需核实博士入学路径、第一年里程碑、德语要求、实际净收入和导师分工。

学校

TUM 为这一题目提供了很强的环境。TUM 官方排名新闻显示，在 2026 年 THE 学科排名中，Physical Sciences 位列第 19、Life Sciences 位列第 35，均为德国第一；在综合 THE World University Rankings 中，TUM 排名第 27（TUM in THE subject rankings 2026）。这一排名信号之所以重要，是因为项目本身位于理论物理、软物质、生物物理和面向生命科学的智能材料交界处。

Biological Physics and Morphogenesis group 位于 Garching，团队主页将其目标表述为识别支配生命的物理原理，并结合 statistical physics、mechanics、cell and synthetic biology 以及面向 regenerative medicine 的方法开展研究（Biological Physics and Morphogenesis group homepage）。这与一个围绕 Physarum 和 learning matter 的项目高度匹配。

TUM 的博士流程也带来一个重要的实际核查点。TUM Graduate School 说明，开放职位上的博士候选人可能以 research staff 身份受聘，但雇佣合同并不自动等于完成博士入学；进入 doctoral candidacy list 并签署 supervision agreement 仍是必要步骤（TUM Graduate School application steps）。因此，申请者应把雇佣合同、博士入学资格和可选注册/费用这三件事分开理解。

导师

Supervisor Research Directions

Prof. Karen Alim 与该项目的契合度非常高。TUM 的教授简介写明，她研究 non-neuronal information processing，关注信息如何在没有神经元的生命体中传播、存储和处理的物理原理（TUM professorial faculty profile: Prof. Dr. Karen Alim）。其团队页面则显示，她自 2019 年起担任 TUM tenured W3 professor，此前曾是 Max Planck research group leader 和 Harvard postdoctoral fellow，并获得 ERC Starting Grant（Karen Alim profile, Biological Physics）。

实验室研究页面进一步强化了这种匹配。Smart Behavior 页面说明，自适应流网络可通过可溶信号浓度或流体剪切力传播信息，并以粗细不同的 vein patterns 存储信息（BPM research: Smart Behavior）。Flow Network Adaptation 页面把 Physarum vein dynamics、flow shear forces、microvasculature 和 smart materials 联系起来（BPM research: Flow Network Adaptation）。Self-Organizing Mechanics 页面则把环境扩展到 plant development、gut mechanics 和 self-sustained contractions（BPM research: Self-Organizing Mechanics）。

ERC 项目信号同样很强。European Commission CORDIS 的 Learning Matters fact sheet 描述了一个以 TUM 为载体的项目，围绕 Physarum、continual learning、soft matter、hydrogels 和 biocompatible learning matter 展开，欧盟资助贡献为 EUR 2 million（CORDIS: Learning Matters ERC project fact sheet）。

Recent Important Publications

• Physarum polycephalum: Smart Network Adaptation（Annual Review of Condensed Matter Physics, 2024）：Le Verge-Serandour 和 Alim 的综述从 mechanochemical coupling、flow、transport、network architecture 和 information storage 角度概括 Physarum 行为。
• Size-dependent self-avoidance enables superdiffusive migration in macroscopic unicellulars（PNAS, 2024）：说明 Physarum 的网络状身体如何通过 self-avoidance 实现 superdiffusive exploration，与自适应搜索建模直接相关。
• Vein fate determined by flow-based but time-delayed integration of network architecture（eLife, 2023）：直接关联 flow shear、tube dynamics 和延迟网络响应。
• Vascular adaptation model from force balance（New Journal of Physics, 2023）：提出一个 force-balance 模型，用于解释 shear 如何影响 vein-wall dynamics。
• Dynamic Cost Allocation Allows Network-Forming Forager to Switch Between Search Strategies（PRX Life, 2024）：进一步说明团队近期持续研究 network-forming organisms 的适应性行为。
• Self-Organized Homogenization of Flow Networks（Physical Review X, 2025）：对项目的软物质转化尤其相关，因为它把 flow-network adaptation 与局部壁面变化以及被运输的 chemical pulses 联系起来。

Lab, Resources, and Collaboration Environment

从公开信息看，实验室信号很强：导师聚焦明确，团队页面活跃，近期论文覆盖 Physarum、adaptive flow networks、microvasculature 和 smart materials，同时还有 ERC 规模资助。仍值得进一步确认的资源问题包括：具体计算栈、现成实验数据集、hydrogel 合作者、理论与实验的讨论频率，以及博士生是否会接触尚未公开的 ERC 数据。

研究方向

Field Momentum

这一项目切入的是一个仍在快速发展的前沿问题：学习是否可以被理解为物质和自适应物理网络的属性，而不仅是大脑的属性。CORDIS 对 Learning Matters 的描述指出，该项目试图突破以大脑为中心的学习观，从 Physarum 出发自下而上研究 continual learning，再把机械学习原则转移到 soft matter 和 hydrogels 中（CORDIS: Learning Matters ERC project fact sheet）。KITP 的 Biological Learning without a Brain 项目由 Karen Alim 等人协调，也将无神经元学习界定为一个跨越 slime mold vasculature、cellular behaviour、immune systems、physical learning 和 machine-learning theory 的研究挑战（KITP: Biological Learning without a Brain）。

软物质方向本身也在推进。2025 年一篇关于 intelligent soft matter 的 RSC 综述讨论了 memory、adaptive state dynamics、self-regulation 和 material learning，并纳入与 Physarum 和 hydrogels 相关的例子（Intelligent soft matter: towards embodied intelligence）。这支持项目关于 Physarum mechanics 可启发工程材料的判断，但也说明该领域仍在形成自己的设计原则。

Potential Research Angles

潜在高价值方向包括：推导 tube-wall viscoelasticity 如何整合 chemical 与 shear 输入；建模哪些 learned responses 能持续、哪些会消失；识别网络拓扑在 memory retention 中的作用；把生物 wall response 转化为 hydrogel 或 microfluidic analogues；以及定义不直接照搬神经网络语境的 physical learning 指标。这些内容是基于项目介绍、CORDIS 目标和团队论文轨迹作出的证据性推断，并非已确认的工作包标题。

Career and Market Outlook

这类训练对学术生物物理、软物质、活性物质、复杂系统、科学计算和定量研发都具有价值。德国联邦就业局 2025 年数据指出，physics 的专业失业率为 3.3%，但新报物理相关岗位数量下降 7%，约为 900 个（German Federal Employment Agency academic labour-market statistics）。更实际的理解是：物理训练仍具有较强迁移性，但职业韧性最终取决于可证明的建模、编程、可复现代码和跨学科沟通能力。

资助

项目介绍写明，职位为 two-plus-two-year contract，薪资为 TV-L E13 75%，最早可于 2026 年 10 月入职，申请截止日期为 10 September 2026。申请材料要求合并为一个 PDF，包含 CV、publication list、transcript、一页以内的 research-interest statement，以及两位推荐人的联系方式。

关于博士阶段成本，TUM Graduate School 明确写明 TUM 博士阶段不收 tuition fees，但日常生活支出仍需自行承担（TUM Graduate School funding）。Munich/Garching 的生活成本较高。TUM Graduate School 估计，慕尼黑及大慕尼黑地区单人每月约需 EUR 1,300-2,000；shared living 或 studio rent 至少 EUR 800，且通常在 EUR 800-1,200 之间（TUM Graduate School cost of living in Munich/Greater Munich）。

因此，这份资助应理解为明显强于只提供 stipend 的机会，但并不意味着在所有情形下都能轻松覆盖生活成本。TV-L E13 75% 的税后收入、tax class、health insurance、pension deductions、搬迁成本、住房押金、教学负担以及可能的 semester fees，都应在确认 offer 前核实清楚。

申请

Best suited for

最佳匹配大概率是物理、理论物理、应用数学、soft matter、complex systems physics、biological physics 或 statistical physics 的硕士层级申请者。更强的申请画像通常会显示明确的编程和建模能力，而不仅是对 biophysics 的泛泛兴趣。相关证据可以包括 numerical simulation、ODE/PDE 或 stochastic modelling、network science、fluid mechanics、active matter、soft-matter mechanics、statistical physics，或在生物和材料系统中的 model-data comparison。

May need caution if

如果申请者更希望做以湿实验为主的博士、对数学抽象的接受度有限、缺少编程证据，或更偏好一个研究边界高度预定义、任务稳定的 benchmark 型项目，那么需要谨慎。对于只对常规 machine learning 意义上的 AI 感兴趣的申请者，这个项目也未必匹配，因为它更关注 physical learning mechanisms，而不是构建神经网络模型本身。

Skills and evidence to strengthen

有帮助的准备包括：撰写一页 research-interest statement，直接解释 Physarum、flow shear、tube-wall mechanics 和 hydrogels 如何连接到 physical learning；准备一份使用 theory 或 simulation 的硕士论文或项目实例；提供一个小型但可复现的代码样例；并简洁说明如何把一个生物观察转化为可处理的物理模型。英语写作能力很重要；至于德语要求，则需要进一步确认，因为项目介绍将 English 和 German 都列为工作语言。

风险

High-priority questions

• 解析理论、数值模拟、数据分析以及与实验工作的互动，预期各占多大比重？
• 具体由哪个 TUM Graduate Center 处理博士入学，受聘后的正式入学要求是什么？
• 德语是否用于研究、教学、行政或日常组内沟通，还是英语即可？
• TV-L E13 75% 在第一年的预期净月薪大约是多少？
• ERC Learning Matters 博士项目在前 6-12 个月的关键里程碑是什么？
• 理论方向学生会使用哪些实验数据、soft-matter/hydrogel 合作者或算力资源？

Medium-priority questions

• 合同是否附带教学义务或组内服务义务？
• 优先使用的编程语言、模拟工具或数学方法是什么？
• 作者排序、发表和代码共享的预期是什么？
• 是否提供搬迁支持、住宿指导或签证支持？
• 申请截止日期和 open-position 状态是否仍与项目介绍一致？

证据

项目、导师与实验室

• Biological Physics and Morphogenesis group homepage
• Karen Alim profile, Biological Physics
• TUM professorial faculty profile: Prof. Dr. Karen Alim
• TUM Department of Bioscience profile: Prof. Karen Alim
• BPM research: Smart Behavior
• BPM research: Flow Network Adaptation
• BPM research: Self-Organizing Mechanics
• BPM publications
• CORDIS: Learning Matters ERC project fact sheet

近期论文与领域

• Physarum polycephalum: Smart Network Adaptation
• Size-dependent self-avoidance enables superdiffusive migration
• Vein fate determined by flow-based but time-delayed integration
• Vascular adaptation model from force balance
• Dynamic Cost Allocation Allows Network-Forming Forager to Switch Between Search Strategies
• Flow-Induced Vascular Remodeling on-Chip
• Self-Organized Homogenization of Flow Networks
• Intelligent soft matter: towards embodied intelligence
• KITP: Biological Learning without a Brain

排名、博士流程、资助、生活成本与职业

• TUM in THE subject rankings 2026
• TUM Graduate School application steps
• TUM Graduate School funding
• TUM Graduate School cost of living in Munich/Greater Munich
• German Federal Employment Agency academic labour-market statistics