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

Materials science and technology are our passion. With our cutting-edge research, Empa's around 1,100 employees make essential contributions to the well-being of society for a future worth living. Empa ist eine Forschungseinrichtung des ETH-Bereichs. Unsere Leidenschaft liegt in der Materialwissenschaft und -technologie, und im Urban Energy Systems Laboratory (UESL) entwickeln wir Strategien und Methoden zur Unterstützung der Schaffung von dekarbonisierten, widerstandsfähigen und gerechten Energiesystemen.

Diese PostDoc-Position wird in Zusammenarbeit mit dem Intelligent Maintenance and Operations Systems (IMOS) Laboratory an der EPFL (Prof. Olga Fink) angeboten. IMOS entwickelt fortschrittliche Methoden des maschinellen Lernens und der KI für komplexe Ingenieur- und Industriesysteme, mit einem besonderen Fokus auf die Verbesserung ihrer Zuverlässigkeit, Verfügbarkeit und Betriebsleistung, während effizientere und kostengünstigere Wartung ermöglicht wird.

Um die Entwicklung von tabellarischen Fundamentmodellen für Energiesysteme voranzutreiben, suchen wir einen hochmotivierten und qualifizierten Postdoktoranden. Das Projekt zielt darauf ab, Fundamentmodelle zu entwickeln, die aus heterogenen tabellarischen Daten über Gebäude und städtische Energiesysteme lernen und über Systeme, Betriebsbedingungen und nachgelagerte Aufgaben hinweg übertragen werden können.

• Bewertung und Benchmarking bestehender vortrainierter tabellarischer Fundamentmodelle für Anwendungen im Bereich Gebäude- und Stadtenergien, einschließlich der Bewertung ihrer Übertragbarkeit und Verallgemeinerung.
• Anpassung und Feinabstimmung bestehender Fundamentmodelle für Energiesystemanwendungen, Untersuchung effizienter Anpassungsstrategien und der Nutzung domänenspezifischer Daten und Kenntnisse.
• Entwicklung neuer Ansätze für tabellarische Fundamentmodelle, wenn bestehende vortrainierte Modelle unzureichend sind, mit besonderem Fokus auf Übertragbarkeit über heterogene Energiesysteme und Datensätze.
• Validierung und Benchmarking der entwickelten Modelle unter Verwendung von Gebäudemessungen, physikbasierten Simulationen und Optimierungsmodellen für Energiesysteme.
• Untersuchung, wie tabellarische Fundamentmodelle die Modellierung und Optimierung von Energiesystemen unterstützen können, einschließlich Anwendungen wie Vorhersage, Surrogatmodellierung, Unsicherheitsquantifizierung und Entscheidungsunterstützung.
• Koordination der gemeinsamen Forschungsaktivitäten zwischen UESL und IMOS.
• Veröffentlichung und Präsentation von Forschungsperspektiven und Ergebnissen.
• Beitrag zu Forschungsanträgen und der Akquisition von wettbewerbsfähiger Finanzierung.

Ihr Profil: Wir suchen einen hochmotivierten und engagierten Forscher mit einer Promotion in Mathematik, Elektrotechnik oder Maschinenbau, Informatik oder einem verwandten Bereich sowie einem starken methodologischen Hintergrund im maschinellen Lernen. Der ideale Kandidat hat nachgewiesene Forschungserfahrung mit Fundamentmodellen, einschließlich der Bewertung und Anpassung vortrainierter Modelle, Feinabstimmungsstrategien und der Entwicklung neuer Modellarchitekturen oder Lernansätze.

Wichtige Qualifikationen umfassen:

• Starke Forschungserfahrung in Deep Learning und Fundamentmodellen, einschließlich vortrainierter Modelle, Feinabstimmung, Transferlernen oder selbstüberwachtem Lernen.
• Erfahrung mit tabellarischen Fundamentmodellen oder Fundamentmodellen für strukturierte Daten ist besonders relevant.
• Ein starkes Verständnis moderner Deep-Learning-Architekturen und Trainingsstrategien sowie Erfahrung in der Gestaltung und rigorosen Evaluierung neuer Methoden des maschinellen Lernens.
• Ausgezeichnete Python-Programmierkenntnisse und umfangreiche praktische Erfahrung in der Implementierung, dem Training und der Evaluierung von Deep-Learning-Modellen und Forschungs-Codebasen.
• Eine starke Erfolgsbilanz im Bereich des maschinellen Lernens oder eng verwandter Bereiche.
• Ausgezeichnete schriftliche und mündliche Englischkenntnisse.

Idealerweise hat der Kandidat auch:

• Erfahrung in der Modellierung und Optimierung von Energiesystemen.
• Erfahrung mit tabellarischen oder heterogenen Daten, insbesondere über mehrere Datensätze, Domänen oder Aufgaben hinweg.
• Kenntnisse in mathematischen Optimierungsmethoden, wie gemischt-ganzzahlige lineare Programmierung.
• Erfahrung mit Unsicherheitsquantifizierung, Surrogatmodellierung oder physik-informiertem maschinellen Lernen.
• Ein Verständnis der technischen Herausforderungen im Zusammenhang mit dem Energiewandel.

Unser Angebot: Eine anregende und interdisziplinäre Forschungsumgebung sowie Möglichkeiten zur persönlichen und beruflichen Entwicklung. Enge Zusammenarbeit zwischen Empa und EPFL, die komplementäre Expertise in den Bereichen Energiesysteme, maschinelles Lernen und Fundamentmodelle vereint. Die Möglichkeit, eine aufkommende Forschungsrichtung an der Schnittstelle von künstlicher Intelligenz, Energiesystemmodellierung und Optimierung zu gestalten. Die Möglichkeit, sofort oder nach Vereinbarung zu beginnen. Wir fördern eine Kultur der Inklusion und des Respekts. Wir heißen alle Menschen willkommen, die an innovativen, nachhaltigen und sinnvollen Aktivitäten interessiert sind - darauf kommt es an.