Postdoctoral Researcher in Tabular Foundation Models for Building and District Energy Systems — Empa

Vollständige Beschreibung

Materialwissenschaft und -technologie sind unsere Leidenschaft. Mit ihrer Spitzenforschung leisten die rund 1,100 Mitarbeitenden von Empa wesentliche Beiträge zum Wohlergehen der Gesellschaft für eine lebenswerte Zukunft. Empa ist eine Forschungseinrichtung des ETH-Bereichs.

Postdoktorand/in für tabellarische Foundation-Modelle für Gebäude- und Quartiersenergiesysteme

Unsere Leidenschaft gilt der Materialwissenschaft und -technologie, und im Urban Energy Systems Laboratory (UESL) entwickeln wir Strategien und Methoden, um die Entwicklung dekarbonisierter, resilienter und gerechter Energiesysteme zu unterstützen.

Diese Postdoc-Stelle wird in Zusammenarbeit mit dem Intelligent Maintenance and Operations Systems (IMOS) Laboratory an der EPFL ( Prof. Olga Fink ) angeboten. IMOS entwickelt fortschrittliche Machine-Learning- und KI-Methoden für komplexe technische und industrielle Systeme, mit besonderem Schwerpunkt auf der Verbesserung ihrer Zuverlässigkeit, Verfügbarkeit und Betriebsleistung bei gleichzeitiger Ermöglichung einer effizienteren und kostengünstigeren Instandhaltung.

Um die Entwicklung tabellarischer Foundation-Modelle für Energiesysteme voranzutreiben, suchen wir eine hochmotivierte und qualifizierte Person für eine Postdoc-Stelle. Das Projekt zielt darauf ab, Foundation-Modelle zu entwickeln, die aus heterogenen tabellarischen Daten aus Gebäuden und Energiesystemen auf Quartiersebene lernen und sich auf verschiedene Systeme, Betriebsbedingungen und nachgelagerte Aufgaben übertragen lassen. Die Stelle verbindet die Expertise von Empa UESL bei der Entwicklung und Nutzung von Energiesystemmodellen mit der methodischen Expertise des IMOS Laboratory in den Bereichen maschinelles Lernen und Foundation-Modelle.

Ihre Aufgaben

• Bewerten und benchmarken Sie bestehende vortrainierte tabellarische Foundation-Modelle für Energieanwendungen auf Gebäude- und Quartiersebene und beurteilen Sie deren Übertragbarkeit und Generalisierbarkeit auf unterschiedliche Systeme, Betriebsbedingungen und nachgelagerte Aufgaben.
• Passen Sie bestehende Foundation-Modelle an und führen Sie für Energiesystemanwendungen ein Fine-Tuning durch, wobei Sie effiziente Anpassungsstrategien sowie die Nutzung domänenspezifischer Daten und Kenntnisse untersuchen.
• Entwickeln Sie neue Ansätze für tabellarische Foundation-Modelle, wenn vorhandene vortrainierte Modelle nicht ausreichen, mit besonderem Schwerpunkt auf der Übertragbarkeit auf heterogene Energiesysteme und Datensätze.
• Validieren und benchmarken Sie die entwickelten Modelle anhand von Gebäudemessungen, physikbasierten Simulationen und Optimierungsmodellen für Energiesysteme.
• Untersuchen Sie, wie tabellarische Foundation-Modelle die Modellierung und Optimierung von Energiesystemen unterstützen können, einschließlich Anwendungen wie Vorhersage, Surrogatmodellierung, Unsicherheitsquantifizierung und Entscheidungsunterstützung.
• Koordinieren Sie die gemeinsamen Forschungsaktivitäten zwischen UESL und IMOS.
• Veröffentlichen und präsentieren Sie Forschungsperspektiven und -ergebnisse.
• Tragen Sie zu Forschungsanträgen und zur Einwerbung wettbewerblicher Fördermittel bei.

Ihr Profil

Wir suchen eine hochmotivierte und engagierte Person in der Forschung mit einer Promotion in Mathematik, Elektrotechnik oder Maschinenbau, Informatik oder einem verwandten Fachgebiet sowie einem fundierten methodischen Hintergrund im maschinellen Lernen. Die ideale Person verfügt über nachgewiesene Forschungserfahrung mit Foundation-Modellen, einschließlich der Evaluierung und Anpassung vortrainierter Modelle, von Feinabstimmungsstrategien und der Entwicklung neuer Modellarchitekturen oder Lernansätze. Erfahrung mit tabellarischen Foundation-Modellen oder Foundation-Modellen für strukturierte Daten ist für diese Position besonders relevant.

Zu den wichtigsten Qualifikationen gehören

• Ausgeprägte Forschungserfahrung im Bereich Deep Learning und mit Foundation-Modellen, einschließlich Erfahrung mit vortrainierten Modellen, Feinabstimmung, Transfer Learning oder selbstüberwachtem Lernen. Erfahrung mit tabellarischen Foundation-Modellen oder Foundation-Modellen für strukturierte Daten ist besonders relevant.
• Ein fundiertes Verständnis moderner Deep-Learning-Architekturen und Trainingsstrategien sowie Erfahrung in der Konzeption und rigorosen Bewertung neuer Methoden des maschinellen Lernens.
• Hervorragende Programmierkenntnisse in Python und umfassende praktische Erfahrung bei der Implementierung, dem Training und der Evaluierung von Deep-Learning-Modellen und Forschungs-Codebasen.
• Eine ausgewiesene Erfolgsbilanz im maschinellen Lernen oder in eng verwandten Bereichen
• Ausgezeichnete schriftliche und mündliche Englischkenntnisse

Idealerweise verfügt die Person außerdem über

• Verfügt über Erfahrung in der Modellierung und Optimierung von Energiesystemen
• Verfügt über Erfahrung mit tabellarischen oder heterogenen Daten, insbesondere über mehrere Datensätze, Domänen oder Aufgaben hinweg
• Ist mit mathematischen Optimierungsmethoden wie der gemischt-ganzzahligen linearen Programmierung vertraut
• Verfügt über Erfahrung mit Unsicherheitsquantifizierung, Surrogatmodellierung oder physik-informiertem maschinellem Lernen
• Verfügt über ein Verständnis der technischen Herausforderungen im Zusammenhang mit der Energiewende

Unser Angebot

• Ein anregendes und interdisziplinäres Forschungsumfeld sowie Möglichkeiten zur persönlichen und beruflichen Weiterentwicklung
• Eine enge Zusammenarbeit zwischen Empa und EPFL, die komplementäre Expertise in Energiesystemen, maschinellem Lernen und Foundation-Modellen zusammenführt
• Die Möglichkeit, eine aufstrebende Forschungsrichtung an der Schnittstelle von künstlicher Intelligenz, Energiesystemmodellierung und Optimierung mitzugestalten
• Die Möglichkeit, sofort oder nach Vereinbarung zu beginnen

Wir fördern eine Kultur der Inklusion und des Respekts. Wir heißen alle Menschen willkommen, die sich für innovative, nachhaltige und sinnstiftende Tätigkeiten interessieren - darauf kommt es an.

Wir freuen uns auf den Eingang Ihrer vollständigen Online-Bewerbung, einschließlich eines Motivationsschreibens, eines Lebenslaufs, eines einseitigen Forschungsvorschlags dazu, wie Sie Ihre Aufgaben angehen würden, sowie von Zertifikaten, Diplomen und den Kontaktdaten von zwei Referenzpersonen. Der Forschungsvorschlag sollte die Forschungsvision der betreffenden Person und die vorgeschlagenen methodischen Richtungen zur Weiterentwicklung tabellarischer Foundation-Modelle für Energiesysteme kurz darlegen, einschließlich potenzieller Forschungsfragen und für die Position relevanter Ansätze. Bitte reichen Sie Ihre Bewerbung ausschließlich über unser Jobportal ein. Bewerbungen, die per E-Mail oder Post eingereicht werden, werden nicht berücksichtigt.

Fragen zu dieser Stellenanzeige