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

Materialwissenschaft und Technologie sind unsere Leidenschaft. Mit unserer Spitzenforschung leisten die rund 1.100 Mitarbeitenden der Empa wesentliche Beiträge zum Wohl der Gesellschaft für eine lebenswert Zukunft. Die 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, resilienten 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.

Ihre Aufgaben:

• Bewertung und Benchmarking bestehender vortrainierter tabellarischer Fundamentmodelle für Anwendungen im Bereich Gebäude- und Stadtenergien, einschließlich der Bewertung ihrer Übertragbarkeit und Generalisierbarkeit.
• 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 Gebäude-Messungen, 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 nachweisbare Forschungserfahrung mit Fundamentmodellen, einschließlich der Bewertung und Anpassung vortrainierter Modelle, Feinabstimmungsstrategien und der Entwicklung neuer Modellarchitekturen oder Lernansätze. Erfahrung mit tabellarischen Fundamentmodellen oder Fundamentmodellen für strukturierte Daten ist für diese Position besonders relevant.

Wesentliche Qualifikationen umfassen:

• Starke Forschungserfahrung im Bereich Deep Learning und Fundamentmodelle, einschließlich Erfahrung mit vortrainierten Modellen, Feinabstimmung, Transferlernen oder selbstüberwachtem Lernen.
• Ein starkes Verständnis moderner Deep-Learning-Architekturen und Trainingsstrategien sowie Erfahrung in der Gestaltung und rigorosen Evaluierung neuer Methoden des maschinellen Lernens.
• Ausgezeichnete 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 maschinelles Lernen oder eng verwandten Bereichen.
• 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:

• Ein stimulierendes und interdisziplinäres Forschungsumfeld sowie Möglichkeiten zur persönlichen und beruflichen Entwicklung.
• Enge Zusammenarbeit zwischen Empa und EPFL, die komplementäre Expertise in den Bereichen Energiesysteme, maschinelles Lernen und Fundamentmodelle zusammenbringt.
• 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.

Wir freuen uns auf Ihre vollständige Online-Bewerbung, einschließlich eines Motivationsschreibens, Lebenslaufs, eines einseitigen Forschungsvorschlags, wie Sie Ihre Aufgaben angehen würden, Zertifikaten, Diplomen und Kontaktdaten von zwei Referenzen. Der Forschungsvorschlag sollte kurz die Forschungsvision des Kandidaten und die vorgeschlagenen methodologischen Richtungen zur Weiterentwicklung tabellarischer Fundamentmodelle für Energiesysteme umreißen, einschließlich potenzieller Forschungsfragen und Ansätze, die für die Position relevant sind. Bitte reichen Sie Ihre Bewerbung ausschließlich über unser Jobportal ein. Bewerbungen, die per E-Mail oder Post gesendet werden, werden nicht berücksichtigt.