PhD Student in (multi-agent) reinforcement learning for health-aware control — EPFL

Vollständige Beschreibung

IMOS

Das Intelligent Maintenance and Operations Systems (IMOS) Lab der EPFL sucht einen motivierten und out-of-the-box denkenden Doktoranden (100%, in Lausanne, befristet) ab September oder nach Vereinbarung.

Projektbeschreibung

Ziel dieses Projekts ist die Entwicklung neuartiger Methoden, die auf (Multiagenten-)Reinforcement Learning zur gesundheitsbewussten Steuerung komplexer Engineering-Systeme basieren. Die Forschung wird sich auf die Integration von Systemgesundheit und Degradationsdynamik in Steuerungsstrategien konzentrieren, wodurch Entscheidungsfindung ermöglicht wird, die gemeinsam die Leistung und die langfristige Zuverlässigkeit von Anlagen optimiert.

Im Rahmen des Projekts wird untersucht, wie Agenten für verstärktes Lernen Kontrollrichtlinien lernen können, die operative Ziele, physische Einschränkungen und Systemalterung berücksichtigen, wobei ein besonderer Schwerpunkt auf Multiagenten-Einstellungen liegt, in denen mehrere Subsysteme interagieren. Physikgestützte Modelle und datengesteuerte Ansätze werden kombiniert, um sicherzustellen, dass erlernte Strategien sowohl effizient als auch mit der zugrunde liegenden Systemdynamik konsistent sind.

Zu den Anwendungen gehören komplexe Industrie- und Energiesysteme (z. B. Windkraftanlagen oder andere große Infrastrukturen), bei denen Kontrollentscheidungen direkte Auswirkungen auf die Lebensdauer des Systems haben.

Diese PhD-Stelle ist Teil eines ERC Consolidator Grant, der Spitzenforschung zur gesundheitsbewussten Steuerung und intelligenten Wartung komplexer Systeme unterstützt.

Arbeitsumgebung

Die EPFL ist einer der dynamischsten Universitäten in Europa, zählt zu den Top 20 Universitäten weltweit und bietet ein außergewöhnliches Arbeitsumfeld mit sehr wettbewerbsfähigen Gehältern.

Das IMOS Lab (http://www.epfl.ch/labs/imos/ ) bietet ein höchst motivierendes, interdisziplinäres wissenschaftliches Umfeld mit vielen Möglichkeiten zur Interaktion zwischen Projekten und Forschern und unterhält ein hervorragendes Netzwerk von Kooperationen mit industriellen Interessengruppen und führenden internationalen Universitäten.

Profil

Wir suchen einen Doktoranden mit einem starken analytischen Hintergrund und einem hervorragenden MSc-Abschluss in Ingenieurwissenschaften, Steuerung, Informatik, Physik, Angewandte Mathematik oder einem verwandten Bereich.

Sie sollten eine solide Grundlage für maschinelles Lernen und Kontrolle haben, idealerweise mit Erfahrung im Bereich Reinforcement Learning, Optimierung oder dynamische Systeme. Wissen über Deep Learning, Signalverarbeitung oder Physik-informierte Modellierung gilt als ein starkes Kapital.

Wir erwarten, dass der Kandidat selbstgesteuert ist, mit starken Problemlösungsfähigkeiten und Out-of-the-Box-Denken. Professionelle Englischkenntnisse (sowohl geschrieben als auch gesprochen) sind obligatorisch.

Anwendungsprozess

Formale Anträge einschließlich

• · ein Motivationsschreiben,
• · ein Lebenslauf des Kandidaten,

· kurze Forschungserklärung (eine Seite), die Ihre Projektidee im Bereich des verstärkenden Lernens und der gesundheitsbewussten Kontrolle beschreibt und Verbindungen zu Ihren Erfahrungen und verwandten Arbeiten aus der Literatur herstellt, · Transkripte aller erworbenen Abschlüsse (auf Englisch), · Eine Publikation (z. B. Abschlussarbeit oder vorzugsweise eine Konferenz- oder Zeitschriftenpublikation, ein Link genügt) sollte über die Anwendungsplattform eingereicht werden.

Weitere Informationen zu EPFL IMOS Lab finden Sie unter: https://www.epfl.ch/labs/imos/

Die Bewerber werden aufgefordert, sich an einer der EPFL-Doktorandenschulen (z. B. EDRS, EDCE oder EDEE) zu bewerben. Dieser parallele Bewerbungsprozess ist notwendig, um an der EPFL promoviert zu werden.

Informationen

Aktivitätsrate: 100,00

Vertragsart: CDD

Laufzeit: 1 Jahr Vertrag verlängerbar (max. 6 Jahre)

Bezug: 2152