Pascal Dominic Müller

Pascal Dominic Müller

Ich bin Software Engineer und entwickle praktische Systeme an der Schnittstelle von KI, Developer Tools und digitalen Assets.

Ich habe einen MSc in Rechnergestützten Wissenschaften der ETH Zürich mit Schwerpunkt Applied AI. Mein Hintergrund reicht von End-to-End-Produktentwicklung und Cloud-Infrastruktur bis zu Machine-Learning-Forschung.

> Berufserfahrung _

Cada Services AG

Software Engineer, Teilzeit • September 2024 - Mai 2026

Entwicklung von Off-Chain-Full-Stack-Anwendungen für Cardano mit FastAPI, Python und Smart-Contract-Integrationen. Aufbau einer Chrome-Extension-Wallet für Debugging und Testing sowie Deployment containerisierter VPS-Services.

Software Brauerei AG

DevOps Engineer / Web Developer, Teilzeit • September 2022 - März 2024

Generalistische Rolle mit Fokus auf Docker, CI/CD-Pipelines und Backend-Entwicklung mit Python.

Startup Project, ETH Student Project House / Talent Kick

Founder / Lead Developer • 2022 - 2024

Schnelles Prototyping von Produktideen und Entwicklung von Full-Stack-MVPs mit Python, React, Docker, GitHub Actions und AWS.

ETH Zürich

Assistent am Quantum Device Lab • Mär 2017 - Mär 2018

Responsive Umsetzung einer bestehenden Website mit Drupal 7, Sass, Bootstrap und SQL, ohne etablierte Workflows zu verändern.

XIAG AG

Web Developer, Lehre • August 2010 - August 2012

Entwicklung von Webanwendungen und internen Tools mit PHP, MySQL, Symfony 2 und jQuery, darunter ein Drag-and-Drop- Newsletter-Generator und ein Image-Scaling-Service mit REST API.

> Bildung _

MSc Rechnergestützte Wissenschaften, Applied AI

ETH Zürich • 2023 - 2026

Schwerpunkt auf Berechnungsmethoden, Machine Learning und angewandter künstlicher Intelligenz.

BSc Rechnergestützte Wissenschaften

ETH Zürich • 2017 - 2023

Schwerpunkt Astrophysik. Bachelor-Thesis zur Gravitationswellenerkennung in Gaussian Noise mit Deep Learning.

BSc Physik, unvollständiges Grundstudium

ETH Zürich • 2014 - 2017

Physikstudium vor dem Wechsel zu Rechnergestützten Wissenschaften.

Applikationsentwickler EFZ

Xiag AG / IBZ • 2008 - 2012

Softwareentwicklungs-Lehre mit praktischer Grundlage in Webentwicklung und Kundenarbeit.

> Projekte _

DevX Wallet

Cada Services AG, bezahltes Projekt, Cardano

Eine Cardano-Wallet für Entwickler mit gezielten Debugging- und Testing-Features, darunter Wallet Impersonation.

Cardano Developer Tools Wallets

Linkage Finance

Cada Services AG, bezahltes Projekt, Cardano

Eine Indexfonds-Plattform zum Erstellen und Handeln von Token-Körben auf Cardano, inklusive Deposits und NFT-basierten Fondsanteilen.

Cardano DeFi Full Stack

Master-Thesis: Gradient-Based LLM Interpretability

ETH Zürich, PyTorch, Transformer-Forschung

Entwicklung eines Tools zur Analyse von Computation Graphs durch eigene semiring-basierte Backpropagation auf beliebigen Modellen. Es extrahiert Gradientenstatistiken und strukturierte Reports für Transformer-Interpretability.

LLMs PyTorch Interpretability

Modulu: Real-Estate Intelligence Platform

Flask, ReactJS, Web Scraping

Eine Real-Estate-Intelligence-Plattform auf Basis Schweizer Immobiliendaten. Wir scrapten Listings in eine Datenpipeline, generierten Marktanalysen und stellten diese registrierten Nutzern in einer Web-App bereit.

Flask React Web Scraping

Spark: Co-Founder Matching

Flask, React Native, Expo

Eine Tinder-ähnliche App, um potenzielle Mitgründer zu matchen und komplementäre Kollaborationspartner zu finden.

Flask React Native Mobile

Biologisch plausible Continual Learning Forschung

PyTorch, Neuronale Netzwerke, Forschung

Untersuchung biologisch inspirierter Lernregeln zur Minderung von Catastrophic Forgetting. Implementierung eines PyTorch-Dual-System-Modells und Evaluation auf SplitMNIST, SplitFashionMNIST und XOR.

Forschung PyTorch Continual Learning

Demiurge3D

KI, 3D-Generierung

Eine frühe Plattform zum Erstellen von 3D-Assets mit den neuesten KI-Modellen für den 3D-Generation-Space.

KI 3D Experiment

Gravitationswellenerkennung mit Deep Learning

BSc Thesis-Projekt, CNN, Physik

Training eines CNN zur Erkennung von Gravitationswellensignalen in verrauschten Zeitreihen. Generierung von mehr als 140GB synthetischer LIGO-ähnlicher Daten und 90% Validation Detection Efficiency.

CNN Physik Deep Learning

> Fähigkeiten _

Programmierung & KI

  • Python / JavaScript / TypeScript / SQL / C/C++
  • PyTorch / Machine Learning / LLMs
  • FastAPI / Flask / React

Systeme & DevOps

  • Linux / Docker / Reverse Proxies
  • AWS: EC2, EKS, IAM
  • CI/CD: GitHub Actions, Bitbucket Pipelines

Tools & Sprachen

  • Git / CMake / MPI / OpenMP
  • HTML / CSS / Docker
  • Deutsch: Muttersprache / Englisch: fliessend