PhD on Conditional Generative Modelling of Local High-Impact Events under Structured Scenarios — Universität Bern

Vollständige Beschreibung

UniBE ist ehrgeizig. Bei uns liefern Sie Spitzenleistungen und testen Ihre Fähigkeiten gegen die Besten.

Forschung und kollaboratives Umfeld

Der Doktorand wird am Institut für Mathematische Statistik und Versicherungsmathematische Wissenschaft (IMSV) der Universität Bern gehostet und tritt der Gruppe Uncertainty Quantification and Spatial Statistics unter der Leitung von Prof. David Ginsbourger. IMSV ist ein engagiertes, aufgeschlossenes Institut, in dem mathematische Statistiken und Wahrscheinlichkeitstheorie auf Daten und Modelle aus verschiedenen wissenschaftlichen und gesellschaftlichen Herausforderungen treffen. Die Position ist Teil des vom Schweizerischen Nationalfonds (SNF) geförderten NFS CLIM+ Programms zu Klimaextremen und Gesellschaft. Genauer gesagt wird das PhD-Projekt zum Arbeitspaket „Lokale Risiken: Auswirkungen und Anpassung beitragen und die Teilnahme an Aufgaben wie dem Downscaling und Debiasing von Eingangsdaten für hydrologische Modelle beinhalten. Geplant sind regelmäßige Interaktionen und mögliche Kooperationen mit den Teams von Prof. Manuela Brunner (ETH Zürich, WSL), Dr. Christian Grams (MeteoSwiss), Prof. Michael Lehning (EPFL Wallis Wallis, WSL) und Prof. Olivia Romppainen-Martius (Universität Bern). Der NFS CLIM+ unterstützt die Schweiz bei der Transformation zu einer klimaresistenten Gesellschaft. Gemeinsam mit Stakeholdern setzt sich die interdisziplinäre NFS-Forschungsgemeinschaft CLIM+ mit unerforschten Lösungsräumen für die Klimakrise auseinander und entwickelt eine Blaupause für umsetzbare Klimaforschung weltweit. NFS CLIM+ kommuniziert und teilt Wissen und bildet eine neue Generation von Experten aus, die über das notwendige Fachgebiet und transdisziplinäre Wissen verfügen. Der NFS CLIM+ strebt die Chancengleichheit bei der Einstellung an. Bei NFS CLIM+ glauben wir, dass Vielfalt von Gedanken, Hintergrund und Erfahrung bessere Forschung schafft

Profil des Bewerbers

• Ein MSc-Abschluss in Statistik oder ein eng verwandtes Feld mit starkem mathematischen Hintergrund
• Starke Programmierkenntnisse (idealerweise in Python und/oder R)
• Kenntnisse und im Idealfall praktische Erfahrungen mit generativem maschinellem Lernen
• Erfahrung in der Arbeit mit großen Datensätzen, idealerweise hydrologischen, meteorologischen oder Klimabeobachtungen/-simulationen
• Sehr gute mündliche und schriftliche Kommunikationsfähigkeiten in Englisch
• Motivation zum Arbeiten in einem interdisziplinären und internationalen Arbeitsumfeld und einer kollaborativen Denkweise

Internationale Reputation Bewerbung und Kontakt Wir freuen uns auf Ihre Online-Bewerbung mit folgenden Elementen:

• Ihren Lebenslauf,
• ein Anschreiben,
• Diplomzertifikate und Transkripte,
• einen Link zu Ihrer MSc-These (Entwurf oder endgültige Version),
• und die Kontaktinformationen von zwei professionellen Referenzen.

Bewerbungen, die bis zum 1. Oktober 2026 (inklusive) eingereicht werden, sind in vollem Umfang garantiert.

Über das Projekt

Wir laden Bewerbungen für eine PhD-Stelle in Statistik ein, die sich auf die bedingte generative Modellierung lokaler Ereignisse mit hohem Einfluss in einem sich verändernden Klima konzentriert. Generative Modelle werden zunehmend in der Wettervorhersage und Klimaforschung eingesetzt, insbesondere um globale Vorhersagen und Projektionen auf lokaler Ebene zu verkleinern. Ihre Verwendung für die Untersuchung zukünftiger Ereignisse mit hohem Einfluss wirft grundlegende statistische und rechnerische Herausforderungen auf, einschließlich der Integration heterogener Datenquellen, der Konditionierung komplexer Informationen und der Verallgemeinerung auf Klimabedingungen, die über die in den Trainingsdaten dargestellten hinausgehen. In diesem PhD-Projekt werden wir bestehende und neue bedingte generative Modellierungsansätze untersuchen, um zukünftige hochwirksame Ereignisse auf lokaler Ebene unter vorgeschriebenen, strukturierten Konditionierungsszenarien zu untersuchen. Dazu können groß angelegte dynamische Handlungsstränge und ereignisanfällige Regime gehören. Das Projekt befasst sich mit methodischen Fragen der bedingten Erzeugung, der Darstellung und Integration von Konditionierungsinformationen sowie der Erzeugung plausibler lokaler Ergebnisse unter sich verändernden und möglicherweise beispiellosen Klimabedingungen. Forschung und kollaboratives Umfeld

Profil des Bewerbers

Mehr Informationen Job-Abo Anwendungsprozess

Ihre Vorteile

Starke Forschungsinfrastruktur und internationales Netzwerk Kollaboratives Umfeld und ambitioniertes Team Individuelle Karriereunterstützung Sonstige Leistungen

Arbeiten an der Universität Bern

Die Universität Bern bietet nicht nur spannende Aufgaben, sondern auch ein Umfeld, das Entwicklung, Vielfalt und Chancengleichheit aktiv fördert. Entdecken Sie, was uns als Arbeitgeber auszeichnet und wie Sie mit uns wachsen können. Karriereseite Offene Positionen