Karrierewege für wissenschaftliche Computer: Forschungssoftware-Ingenieur

Schlüssel zum Mitnehmen

• Was ein RSE bewirkt: Ein Forschungssoftware-Ingenieur baut und wartet die Software, die wissenschaftliche Forschung unterstützt – von Simulations-Engines bis hin zu Daten-Pipelines. Im Gegensatz zu reinen Softwareingenieuren verbinden RSEs Domänenkompetenz mit technischer Genauigkeit.
• Zwei>Einstiegspfade: Sie können entweder als Softwareentwickler (starkes Engineering, schwächeres Domänenwissen) oder als Forscher (starker Bereich, schwächeres Engineering) eingeben. Beide laufen im Laufe der Zeit auf die gleichen Kompetenzen zusammen.
• Gehalt nach Sektoren: Rollen in der Wissenschaft/Universität reichen von 70.000 bis 165.000 US-Dollar, 90.000 US-Dollar und 225.000 US-Dollar, Industrie 130.000 US-Dollar und Big Tech 200.000 bis 500.000 USD. Die Lücke wird auf höheren Ebenen verringert.
• Genai wird umgestaltet, nicht ersetzt: Generative KI ermöglicht eine 55–56% schnellere Codierung mit Copilot, kann jedoch keine Forschungssoftware „wirklich verstehen oder pflegen“. RSE werden immer wichtiger, nicht weniger.
• Karriereleitern: Die von Experten begutachtete Studie von Princeton zeigte, dass eine angemessene Karriereleiter den RSE-Umsatz von 70% auf 7% reduzierte, was beweist, dass parallele IC- und Team-Lead-Spuren eine Rolle spielen.

Was ist ein Forschungssoftware-Ingenieur?

Ein Research Software Engineer (RSE) ist ein Fachmann, der die Software entwickelt, pflegt und optimiert, die zur Unterstützung der wissenschaftlichen Forschung eingesetzt wird. Der Begriff wurde 2012 im Collaborations-Workshop des Software Sustainability Institute geprägt und seitdem durch die Rollendefinition von Casrai als „Profi, dessen Karriere sich auf die Entwicklung und Anwendung von Software zur Unterstützung der Forschungsaktivitäten konzentriert“ [1] formalisiert.

Dies ist keine Forschungs-IT-Rolle – es ist eine Engineering-Rolle für die Forschung -Software . Die Unterscheidung zählt. Ein RSE verwaltet nicht nur die Infrastruktur. Sie schreiben, testen und optimieren den tatsächlichen Code, der Simulationen ausführt, verarbeitet Daten und visualisiert Ergebnisse. Sie sind die Brücke zwischen wissenschaftlichen Fragen und funktionierender Software.

Wenn Sie bereits mit den Mesh-Strukturen von FIPY arbeiten oder How Fipy mit Meshes und Gitterstrukturen umgehen, stoßen Sie bereits auf Forschung Software Bei der RSE-Karriere geht es darum, diese Software in großem Maßstab zu erstellen, mit der gleichen technischen Genauigkeit, die die Industrie für ihre Produkte gilt.

Warum RSEs wichtig sind

Moderne wissenschaftliche Forschung hängt zunehmend von Software ab. Eine einzelne Simulation kann wochenlang mit Hunderten von Kernen ausgeführt werden. Datenpipelines verarbeiten Terabyte von Messungen. Die Reproduzierbarkeit erfordert versionierte, getestete Codebasen, die andere Forscher auditieren und erweitern können.

Der CASRAI-Rolle-Leitfaden fasst RSes explizit als „kritisch für den Erfolg der modernen Forschung“ ein, da Software jetzt die Hauptausgabe der Computerwissenschaft ist – nicht nur ein Mittel zum Zweck. Forscher, die den Code der Produktionsqualität nicht aufrechterhalten können, werden ihre Arbeit fragil finden. Die RSE-Karriere existiert genau, um diese Lücke zu lösen.

Zwei Einstiegspfade in RSE

Es gibt zwei Hauptwege in der Engineering-Software, und beide haben unterschiedliche Stärken und blinde Flecken.

Pfad 1: Softwareentwickler → RSE

Personen, die aus reinem Software-Engineering-Hintergrund eintreten, kommen mit starken technischen Praktiken – Versionskontrolle, Tests, Code-Überprüfung, API-Design, Modularität. Sie können vom ersten Tag an produktionstechnischen Code schreiben.

Was sie gut machen: Codearchitektur, Test-Frameworks, Skalierbarkeit, Dokumentation, CI / CD-Pipelines.

Womit sie zu kämpfen haben: Mehrdeutige Forschungsanforderungen, domänenspezifische Terminologie, der Unterschied zwischen einem funktionierenden Prototyp und einer produktionsbeschaffbaren Codebasis. Forscher sagen oft „Ich brauche etwas, das X tut“, wo X schlecht definiert ist. Ingenieure benötigen genaue Spezifikationen.

Pfad 2: Forscher → RSE

Doktoranden, Postdocs und hochrangige Forscher wechseln nach Jahren des Schreibens von Skripten und Tools für ihre eigene Forschung in RSE-Rollen. Sie verstehen die Wissenschaft tief.

Was sie gut machen: Domain-Expertise, Formulierung von Forschungsproblemen, wissenschaftliche Validierung, Literaturrecherche, Kommunikation mit Domain-Wissenschaftlern.

Was sie haben: Code-Modularität, Tests, Skalierbarkeit, Refactoring und die technischen Gewohnheiten, die Code für andere aufrechterhalten können. Sie neigen dazu, für „es funktioniert auf meiner Maschine“ und nicht „es funktioniert auf jeder Maschine“.

Die Konvergenz

Beide Wege laufen auf den gleichen Kernkompetenzen zusammen. Ein Softwareentwickler, der lange genug in der RSE-Rolle bleibt, lernt die Domain. Ein Forscher, der lange genug in RSE übergeht, lernt das Engineering. Die besten RSEs kommen aus beiden Hintergrund – sie benötigen nur unterschiedliche Zeitleisten, um die gleiche Etage zu erreichen.

Diego Alonso Álvarez des Software Sustainability Institute dokumentierte diese Reise persönlich und ging vom Postdoc zum Senior RSE am Imperial College. Sein Blog-Beitrag auf Forschungs-zu-RSE-Karriereweg fängt den Übergang mit ein Offenes Detail über die Kompetenzlücke und die Lernkurve.

RSE gegen Data Scientist gegen Software Engineer

Diese drei Rollen werden häufig in Stellenanzeigen und Abteilungsbudgets zusammengeführt. Ein 2025 Peer-Review-Vergleich im gi digital. Die Bibliothek macht die Unterscheidungen explizit, und Institutionen, die sie verwirren, neigen dazu, falsch zu budgetieren und falsch einzustellen.

Der Schlüsselunterschied für unser Publikum: Ein Data Scientist Outputs Analysis; Ein Forschungssoftware-Ingenieur gibt Software aus, die andere Personen wiederverwenden . Wenn Ihre Institution diese Rollen in Einklang bringt, investieren Sie wahrscheinlich in eine reproduzierbare Forschungsinfrastruktur.

Kernkompetenzen

Die US-RSE-Ausbildungs- und Ausbildungsgruppe sowie die Goth et al. (2025) Kompetenzrahmen [PMC12426816], Identifizieren Sie drei Säulen der RSE-Kompetenz. Jede Säule hat Fortschritte auf Karriereebene.

1. Software / technische Fähigkeiten

Dies ist die technische Säule. Es umfasst:

• Versionskontrolle (Git, DVC, DataLad)
• Testen (Einheit, Integration, Regression, Regressionstest)
• Codequalität (Fussen, Typenprüfung, Fusselwerkzeuge)
• Leistungsoptimierung (Parallelisierung, GPU, Profiling)
• Wissenschaftliche Bibliotheken (Numpy, Scipy, Fipy, Ngsolve)
• DevOps (CI/CD, Containerisierung, HPC Job Scheduler)

Diese Fähigkeiten spiegeln das wider, was Sie in Workflows für Reproduzierbarkeit finden werden: Datenversionierung und Provenienzverfolgung und Python-Testmuster für wissenschaftlichen Code .

2. Forschungsfähigkeiten

Dies ist die Domain-Säule. Es umfasst:

• Domänenspezifische Modellierung (PDE-Solver, Finite-Elemente-Methoden)
• Numerische Methoden (FEM, FVM, endliche Unterschiede)
• Algorithmusentwicklung (Adaptive Netzverfeinerung, Multi-Fidelity-Methoden)
• Wissenschaftliche Validierung (Konvergenztests, Benchmark-Probleme)
• Literatursynthese (Verständnis Stand der Technik)

In dieser Säule glänzt ein PhD-Hintergrund und ein Software-Ingenieur benötigt gezielte Schulungen. Die MIT-Workshops für fehlende Semester und Schreiner bieten barrierefreie Einstiegspunkte.

3. Kommunikations- / Kollaborationsfähigkeiten

Dies ist die Soft-Skills-Säule, aber alles andere als weich. Es umfasst:

• Teamübergreifende Kommunikation (Erklärung technischer Einschränkungen für Domain-Wissenschaftler)
• Projektmanagement (Scoping, Meilensteinplanung, Agile)
• Mentoring (Onboarding Junior RSEs, Code Review Guidance)
• Community-Teilnahme (Open-Source-Beitrag, Konferenzsprache)

Die Goth et al. Framework ordnet diese Kompetenzen auf Karriereebenen (von der Grundlage bis zum Experten) und die US-RSE-Fähigkeitsliste Enumeration, die Sie als Selbstbewertungsrubrik verwenden können.

Karrierefortschrittsrahmen

RSE-Karriereleitern waren historisch gesehen der schwächste Punkt in der akademischen Karriereinfrastruktur. Ohne klare Fortschrittswege gehen talentierte RSEs für die Industrie – bis vor kurzem.

Ebenenfortschritt

Führende Institutionen verwenden Level-Frameworks wie L1 – L4 (vom Grundbeitrag zum Experten / Führer) und P1 bis P6 (vom Anfänger zum Auftraggeber). Dies sind keine willkürlichen Titel – sie ordnen sich konkreten Verantwortlichkeiten zu:

Die parallele Spur

Eine kritische Innovation auf der RSE-Leiter ist die parallele Team-Lead-Strecke. Nicht jeder RSE möchte ein Hauptindividualbeitrager sein. Einige bevorzugen die Verwaltung von Menschen und Projekten. Princetons Peer-Review-Studie (ARXIV 2602.19353V1, Februar 2026) dokumentierte dies explizit und zeigte, dass Die Umsatzerlöse von 70% (Pre-Leiter, fünf Jahre) sanken Fenster) bis 7% (Post-Ladder, Dreijahresfenster) Nach der Implementierung von Associate über Principal Levels mit einer parallelen Team-Lead-Spur.

Dies ist der erste dokumentierte, von Fachleuten überprüfte Beweis für die Auswirkungen einer Karriereleiter auf die RSE-Retention. Es zeigt, dass die Leiter wichtig ist – nicht nur die Existenz von Ebenen, sondern auch die Existenz von parallelen -Tracks.

SSIs frühe Karriereperspektiven

Vier RSE aus dem Forschungssoftwarelager des Software Sustainability Institute (November 2025) beschrieben die Fortschrittsherausforderungen bis ins Detail – von unklaren Erwartungen und Finanzierungsunsicherheit bis hin zur Realität von KI-Störungen. Ihre Perspektiven, gesammelt in „Frühe Karriereperspektiven“ und Fähigkeiten in der Forschungssoftware „ sind für alle, die diesen Weg in Betracht ziehen, eine wesentliche Lektüre.

Forschungssoftware Engineering Gehalt nach Branchen

Das Gehalt ist der konkreteste Vergleich, den Menschen bei der Entscheidung zwischen den Karrierewegen machen. Die folgenden Daten stammen von Casrai Guidelines, Research.com, Levels.FYI und Glassdoor.

Der National Lab Sector (LLNL, LANL, ORNL) stellt die überzeugendste Option im mittleren Bereich dar: Bessere Bezahlung als Wissenschaft, weniger kommerzieller Druck als Industrie und Missionsausrichtung auf wissenschaftliche Forschung. Der Glassdoor-Durchschnitt für RSE-Rollen liegt weltweit bei rund 184.000 US-Dollar, wobei der Standort und das Dienstalter erheblich variieren.

Was die Gehaltsdaten strukturell zeigen: Die „Wartungsfalle“ – Akademische Karrieresysteme belohnen Veröffentlichungen, nicht Code. Ein RSE, der exzellente, weit verbreitete Software produziert, aber weniger Papiere in der akademischen Förderung im Vergleich zu einem Domain-Wissenschaftler, der häufig veröffentlicht, ins Hintertreffen geraten. Aus diesem Grund ist die Princeton-Leiter mit ihrer expliziten Anerkennung von Software-Beiträgen transformativ.

Genais Auswirkungen auf die RSE-Karriere

Generative KI formt die Karrieren von Forschungssoftware schneller als die meisten Karriereführer an. Zwei aktuelle Studien liefern das klarste Bild.

Die SSSI-Ergebnisse (Nov 2025)

Das Software Sustainability Institute veröffentlichte im November 2025 eine umfassende Analyse zu „AI nach meinem Job – Navigieren in die Zukunft des Forschungssoftware-Engineerings“ . Die Überschriftenfindung: RES sind „wichtiger als je zuvor“, weil KI die Forschungssoftware nicht „wirklich verstehen oder pflegen“ kann.

Spezifische Ergebnisse:

• Produktivitätsgewinne: Copilot bietet 55–56% schnellere Codierung mit KI-Unterstützung
• Deskilling-Risiken: Verlassen Sie sich auf KI ohne Verständnis, können genau die Fähigkeiten untergraben, die RSES von Junior-Entwicklern unterscheiden
• Validierungslücke: KI-generierter Code muss von jemandem überprüft werden, der sowohl den Code als auch der Wissenschaft versteht
• Empfehlung: Investieren Sie in KI-Alphabetisierung. Lernen Sie promptes Engineering, aber hören Sie nie auf, Grundlagen zu lernen.

Das AI4RSE-Quadrantenmodell

Siamak Farshidi et al. aus dem AI4RSE-Labor (Universität Wageningen, ICSE 2026) hat ein Quadrantenmodell für AI-Augmented Research Software arxiv.org/html/2508.05693v1 . Das Modell gliedert den Forschungscode in vier Quadranten:

1. Exploratory Coding — Schnelle Skripte zur Hypothesengenerierung (AI-unterstützt, geringes Risiko)
2. Vibe-Codierung – Experimenteller KI-generierter Code mit unsicherer Korrektheit (hohes Risiko)
3. Traditionelle RSE — produktionsbedingter, Peer-Review-Code (AI-gestützte Rezension, nicht Generierung)
4. AI4RSE – Mit AI entwickelter Code, bei dem die KI der Hauptautor ist (aufstrebende Spezialität)

Zu den aufkommenden Spezialisierungen gehören AI-Orchestrierung (Verwaltung mehrerer KI-Modelle in Forschungs-Workflows), LLM-Bewertung (Bewertung von KI-Ausgaben für wissenschaftliche Gültigkeit) und Green/Reliable AI-Bereitstellung Inferenz in wissenschaftlichen Kontexten).

Die Fraunhofer-Perspektive

Fraunhofer IESE Blog (November 2024, aktualisiert 2026) formt Genai eher als eine Verschiebung des Softwareentwicklungslebenszyklus als als Ersatz. Die Fähigkeiten, die am wichtigsten sind, sind jetzt Architektur, Überprüfung und Domänenexpertise – nicht nur die Codierungsgeschwindigkeit.

Berufsverbände und Ausbildungsressource

Die RSE-Community ist gut organisiert, mit nationalen Gremien, globalen Initiativen und standardisierter Ausbildung. Hier die aktuelle Landschaft:

• Gesellschaft von RSE (UK) – Die Gründungs-RSE-Gesellschaft; Gastgeber der jährlichen RSE-Community-Meetings; Führt Mentoring-Programme aus
• US-RSE — das US-Pendant; pflegt die offizielle Folgsliste ; Gastgeber Workshops zur Karriereentwicklung
• de-rse — Deutschlands nationale RSE-Gemeinschaft; Führt Kompetenzrahmen und berufliche Entwicklungsinitiativen durch
• Casrai – Globale Koordinierungsstelle; Veröffentlicht den RSE-Rollendefinitionshandbuch mit Career-Track-Infrastruktur
• The Carpentries – standardisierte Ausbildung in Datenwissenschaft und Rechenkompetenzen; Weit verbreitet in der Wissenschaft

Wenn Sie ein Doktorand sind, beginnen Sie mit Schreinerei-Workshops und US-RSE-Fähigkeitslisten als Basis-Selbstbewertung. Dann wenden Sie sich an Ihr regionales Organ (Gesellschaft von RSE, US-RSE oder D-RSE) für Mentoring und Gemeinschaft.

So fangen Sie an

Hier ist meine Empfehlung für Doktoranden, die eine RSE-Karriere in Betracht ziehen:

Schritt 1: Bauen Sie eine technische Grundlage

Beginnen Sie mit Git, Python Scientific Libraries (Numpy, Scipy) und einem Test-Framework (PyTest). Wenn Sie bereits Erkunden moderner wissenschaftlicher Python-Tools mit UV- und Ruff, du bist auf dem richtigen Weg. Lernen Sie, Tests zu schreiben, die tatsächlich während des CI ausgeführt werden – nicht nur in Ihrem Notizbuch.

Schritt 2: Domänensoftware im Maßstab

Nehmen Sie eine vorhandene Forschungscodebasis (auch Ihre eigene) und refaktorieren Sie sie. Tests hinzufügen. Dokumentieren Sie es. Machen Sie es auf einem anderen Computer laufend. Dies ist der effektivste Übergang von „Researcher Who-Codes“ zu „Research Software Engineer“.

Schritt 3: Trainieren Sie technische Praktiken

Git-Workflows, Code-Überprüfung, CI/CD und Containerisierung. Die Schreinerei-Workshops und das MIT fehlendes Semester sind barrierefreie Einstiegspunkte. Die Open-Source-Nachhaltigkeitspraktiken, die wir auf der Website behandeln, sind relevanter Kontext für das Verständnis, was den Forschungscode pflegen lässt.

Schritt 4: Wählen Sie Ihren Sektor

Nach dem Aufbau technischer Kompetenz Sektoren bewerten:

• Akademie Wenn Sie die geistige Freiheit, die publikationsfreundliche Umgebung und langfristige Projekte schätzen
• National Labs Wenn Sie die Missionsabstimmung mit der Forschung, stabile Finanzierung und moderate Lohnausrichtung wünschen
• Industrie Wenn Sie Kompensation, strukturierte Leitern und schnellere Iteration priorisieren
• Big Tech Wenn Sie die höchste Vergütung und die strukturierteste Karriereinfrastruktur wünschen

Schritt 5: Community einbeziehen

Nehmen Sie an der US-RSE teil, nehmen Sie an den jährlichen RSE-Sitzungen der Society teil und leisten Sie einen Beitrag zur Open-Source-Forschungssoftware. Das Feld belohnt die Sichtbarkeit und die Beteiligung der Community – und die Strukturierte Lernpfade Computational Mechanics-Studenten zeigen, dass das strukturierte Engagement der Community das Wachstum der Fähigkeiten beschleunigt.

Meine Empfehlung

Wenn Sie am Scheideweg sind – ein Doktorand, der sich fragt, ob er in der Wissenschaft oder in die Industrie übergeht – würde ich Folgendes wählen:

Erstellen Sie zuerst die technischen Fähigkeiten. Ein Doktorand, der produktionstechnischen Code schreiben kann, ist unersetzlich. Ein Softwareentwickler, der die Domain versteht, ist ebenso unersetzlich. Der Markt belohnt zunehmend die Person, die beides kann.

Die Genai-Verschiebung beschleunigt dies. KI kann einen Boilerplate-Code schreiben, kann jedoch keine Simulation gegen die physikalische Realität validieren. Es kann keine Codebasis für ein Jahrzehnt der Forschung aufrechterhalten. Es kann einem Domain-Wissenschaftler nicht erklären, warum ihr Modell divergiert. Das sind die Fähigkeiten, die wichtig sind.

Wählen Sie den parallelen Leiterpfad. Wenn Ihre Institution eine Karriereleiter mit Einzelbeitrags- und Team-Lead-Tracks anbietet, nehmen Sie sie. Die 70% → 7% Umsatzreduzierung von Princeton beweist, dass die Leiter funktioniert. Ohne einen konkurrieren Sie mit der Industrie um die Bindung – und die Industrie gewinnt normalerweise die Entschädigung.

Verwandte Anleitungen

• Teaching Computational Physics: Strukturierte Lernpfade für Doktoranden (Post 381) — Lernpfade für Computational Mechanics, die die Berufsberatung hier ergänzen
• Nachhaltigkeit der Open-Source-Software (Post 524) — Finanzierungsmodelle und Nachhaltigkeitspraktiken für Forschungskodex
• Python-Testmuster für wissenschaftlichen Code (Post 365) — Testen und Debuggen von Workflows, die RSEs beherrschen sollten
• Workflows für Reproduzierbarkeit über Container hinaus (Post 366) — Best Practices für die Versionskontrolle und Daten der Provenienz für Forschungs-Workflows
• Wie FIPY mit Netz- und Gitterstrukturen umgeht (Post 471) — Eintauchen in die Handhabung von wissenschaftlichen Simulationen
• Das wissenschaftliche Python-Ökosystem (Post 364) — Scipy, Numpy, Sympy und darüber hinaus für Produktionsforschungscode
• Mesh-Qualitäts- und Konvergenzstudien (Post 339) — Werkzeugvergleich und Netzqualität für Simulationsworkflows
• Visit vs Paraview – Entscheidungshandbuch für Visualisierungs-Workflows