Postdoctoral Position in Machine Learning for Automated Plant Phenotyping (PhenoMix Project) 100%

Das Swiss Data Science Center (SDSC) ist eine nationale Forschungsinfrastruktur in Datenwissenschaft und künstlicher Intelligenz (KI) des ETH-Bereichs, mit EPFL und ETH Zürich als Gründungspartnern. Seine Mission ist es, akademische Labore, Krankenhäuser, Industrie und öffentliche Sektorakteure, einschließlich kantonaler und bundesstaatlicher Verwaltungen, während ihrer gesamten Datenreise zu unterstützen, von der Sammlung und Verwaltung von Daten bis hin zu maschinellem Lernen, KI und Industrialisierung.

Das SDSC und die Crop Science Group der ETH Zürich suchen einen Postdoktoranden für das PhenoMix-Projekt, eine vom Schweizerischen Nationalfonds (SNF) finanzierte Initiative. Diese Rolle befindet sich an der Schnittstelle von maschinellem Lernen, Computer Vision, Agrarwissenschaften und Pflanzenphänotypisierung. Die Position konzentriert sich auf die automatisierte Merkmalsabschätzung mithilfe von maschinellem Lernen und entwickelt neuartige datentechnische Methoden für die Phänotypisierung von Mischkulturen.

Hintergrund des Projekts: Das PhenoMix-Projekt adressiert die kritische Herausforderung der automatisierten Phänotypisierung für Mischkulturen – eine vielversprechende landwirtschaftliche Praxis mit erheblichem Potenzial für eine nachhaltige Lebensmittelproduktion. Das Projekt nutzt die Field Imaging Platform (FIP), eine hochmoderne Einrichtung zur Hochdurchsatz-Phänotypisierung, sowie Feldexperimente, um beispiellose multimodale Datensätze von Reinsaaten und Mischkulturen zu generieren.

Der Postdoktorand wird neuartige datentechnische Werkzeuge erstellen und die Verarbeitung von Bild-Zeitserien, Pflanzenmerkmalinformationen und 3D-Rekonstruktionen automatisieren. Die Arbeit wird fortschrittliche Methoden des maschinellen Lernens mit praktischen landwirtschaftlichen Anwendungen verbinden und Modelle entwickeln, die Wissen über verschiedene Bildgebungsplattformen und Umweltbedingungen hinweg übertragen können.

Forschung und Entwicklung

• Entwerfen, entwickeln und implementieren von modellbasierten Ansätzen für die Phänotypisierung von Mehrfachmerkmalen.
• Erweitern und Implementieren von domänenspezifischen und pflanzenspezifischen, physiologisch plausiblen Modellen des maschinellen Lernens.
• Entwickeln und Bewerten von Methoden zur Domänenübertragung und -anpassung für plattformübergreifende Phänotypisierung.
• Entwerfen und Bereitstellen von Strategien für menschliches Lernen und aktives Lernen.
• Durchführen von Feldexperimenten und Bewerten der Modellleistung unter realen Bedingungen.
• Engagieren mit verschiedenen Interessengruppen, einschließlich Forschern, Landwirten und Züchtern.

Zusammenarbeit und wissenschaftliche Kommunikation

• Verarbeiten und Kuratieren von großangelegten multimodalen Datensätzen aus der FIP und Feldexperimenten.
• Betreuen und Zusammenarbeiten mit Studierenden auf verschiedenen Ebenen, Bereitstellung von Anleitung und Aufsicht.
• Beitragen zu bestehenden Codebasen und Engagement mit Open-Source-Communities.
• Vorbereiten wissenschaftlicher Publikationen für erstklassige Konferenzen im Bereich maschinelles Lernen und Agrarwissenschaften.
• Präsentieren von Forschungsergebnissen auf Konferenzen, Seminaren und Workshops.
• Kommunizieren komplexer technischer Konzepte sowohl an Experten als auch an allgemeine Publikum.

Profil

• Doktorat in einem relevanten Bereich wie Informatik, maschinelles Lernen, Datenwissenschaft oder Fachwissenschaften (z.B. Pflanzenphänotypisierung, Agrarwissenschaften, Umweltwissenschaften) mit nachgewiesener Expertise in maschinellem Lernen und Computer Vision.
• Nachgewiesene Forschungsexzellenz durch Veröffentlichungen in relevanten Fachzeitschriften.

Technische und Forschungskompetenz

• Starker Hintergrund in maschinellem Lernen und tiefem Lernen, insbesondere Computer Vision, mit praktischer Erfahrung in Grundmodellen, Transferlernen und Domänenanpassung.
• Solide Erfahrung mit modernen Deep-Learning-Frameworks (PyTorch bevorzugt).
• Nachgewiesene Fähigkeit in wissenschaftlichem Programmieren und Prototyping in Python.
• Fähigkeit, Forschungsfragen zu formulieren und Experimente unabhängig zu entwerfen.
• Erfahrung im Umgang mit großen und komplexen multimodalen Datensätzen.

Soziale Kompetenzen

• Exzellente Kommunikationsfähigkeiten in Englisch (schriftlich und mündlich).
• Positive Einstellung zur interdisziplinären Zusammenarbeit.
• Fähigkeit, unabhängig zu arbeiten und gleichzeitig zu den Teamzielen beizutragen.

Weitere vorteilhafte/relevante Kompetenzen

• Erfahrung mit 3D-Rekonstruktionstechniken (Struktur aus Bewegung, neuronales Rendering usw.).
• Kenntnisse in aktivem Lernen, menschlichem Lernen, Bayesianischer Optimierung.
• Vertrautheit mit Agrarwissenschaften, Pflanzenphänotypisierung oder verwandten Bereichen.
• Erfahrung in der Implementierung, dem Training und der Bewertung von Modellen für spatio-temporale Daten.
• Interesse an nachhaltiger Landwirtschaft, Pflanzenwissenschaft oder Herausforderungen in der Lebensmittelsicherheit.

Wir bieten

• Ein anregendes, kollaboratives, diverses und interdisziplinäres Forschungsumfeld.
• Die Möglichkeit, mit modernster Phänotypisierungsinfrastruktur und Datensätzen zu arbeiten.
• Zugang zu Rechenressourcen und neuesten Werkzeugen des maschinellen Lernens.
• Möglichkeit, Forschung in erstklassigen Konferenzen und Zeitschriften zu veröffentlichen.
• Gelegenheit zu reisen und Arbeiten auf internationalen Veranstaltungen zu präsentieren.
• Beteiligung an der Betreuung von MSc- und BSc-Studierenden.
• Teilnahme an Vorlesungen und Lehraktivitäten.

Arbeitsumfeld

• Position am Swiss Data Science Center mit Büros an der ETH Zürich und EPFL.
• Kollaboratives Umfeld, das mehrere Institutionen und Forschungsgruppen innerhalb von PhenoMix und darüber hinaus umfasst.
• Wir schätzen die Work-Life-Balance.
• Schöne Standorte in Zürich mit hervorragender Lebensqualität.

Startdatum und Dauer

• Startdatum: August oder nach Vereinbarung.
• Dauer: Bis zu 4 Jahre (Dauer der SNF-Projektfinanzierung).

Kontakt

Fragen zur Position richten Sie bitte an Dr. Michele Volpi (keine Bewerbungen).

Chancengleichheitserklärung

Wir schätzen Vielfalt und Nachhaltigkeit. In Übereinstimmung mit unseren Werten fördert die ETH Zürich eine inklusive Kultur. Wir setzen uns für Chancengleichheit ein, schätzen Vielfalt und pflegen ein Arbeits- und Lernumfeld, in dem die Rechte und die Würde aller unserer Mitarbeiter und Studierenden respektiert werden. Nachhaltigkeit ist ein Kernwert für uns – wir arbeiten konsequent auf eine klimaneutrale Zukunft hin.