Uppsala universitet, Institutionen för informationsteknologi

Vid avdelningen för Systemteknik utvecklar vi teori för och tillämpningar av reglerteknik, systemidentifiering och maskininlärning. Ett viktigt mål är att utveckla matematiska modeller som kan beskriva verkliga dynamiska fenomen så att maskiner och människor mer effektivt kan agera i världen runt oss. Optimeringsmetoder är centrala i fältet eftersom de utnyttjas såväl inom reglerteknik som maskininlärning och systemidentifiering. För beskrivning av komplexa dynamiska system och scenarion är  kvantifiering av osäkerhet en viktig aspekt.

Vid avdelningen har vi ett brett nätverk av starka internationella samarbeten runt om i världen, till exempel vid University of Cambridge, University of Oxford, Imperial College, University of British Columbia, University of Sydney, University of Newcastle och Alto University. Vi strävar efter att alla doktorander ska få en gedigen internationell erfarenhet under sin doktorandtid.

Forskningsprojekten för dessa tjänster kommer att ligga inom områdena optimering och matematisk modellering av dynamiska system, både från data och utifrån fysikaliska principer. Här ingår exempelvis maskininlärning, Bayesiansk modellering, och optimering baserad på modeller i form av partiella differentialekvationer. Tre konkreta exempel på potentiella forskningsprojekt anges kort nedan. Som sökande behöver du inte ange ett specifikt forskningsämne i din ansökan (men du är naturligtvis mycket välkommen att göra det om du vill). Det exakta forskningsämnet för varje doktorand avgörs i en dialog mellan studenten och handledaren. De tre problemformuleringar som är mest relevanta för denna öppning är följande:

1. Optimering av djup hjärnstimulering:

Djup hjärnstimulering (deep brain stimulation, DBS) är en invasiv behandlingsmetod för primärt neurologiska och psykiska sjukdomar. Behandlingen går ut på att kontinuerligt stimulera ett noga definierat mål i hjärnan med elektriska impulser som levereras genom en implanterad elektrod. I princip skapas en direkt kontakt mellan en population av nervceller i det stimulerade målet och en dator som är implanterad i patientens kropp och styr den neurala populationen i syfte att minimera sjukdomens symtom. DBS-signalen väljs så att målområdet stimuleras för bästa symtomlindring och vävnaden utanför påverkas så lite som möjligt. Inställningen av DBS-signalen kan därefter formuleras som ett optimeringsproblem och lösas numeriskt m h a en individualiserad matematisk modell som beskriver den aktuella delen av patientens hjärna, DBS-elektroden och den stimulerande signalen.

Detta doktorandprojekt finansieras av Vetenskapsrådet och utförs i samarbete med Akademiska sjukhuset i Uppsala  inom ett internationellt konsortium bestående bl a av Charité Berlin, University of Amsterdam, University of Luxembourg. 

2. Datadriven epidemimodellering:

Den pågående covid-19 pandemin har visat på luckor i vår beredskap för att hantera epidemiska förlopp på såväl regional- som nationell nivå, särskilt beträffande vår förmåga att effektivt analysera data och ta fram användbara och träffsäkra prediktionsmodeller. Coronaviruset är ett zoonotiskt virus som spridits från djur till människa och kontinuerlig övervakning av sådana sjukdomar är därför en annan viktig aspekt. Också här används datadrivna modeller för beslutsunderlag och situationsöverblick. Intressanta utmaningar är epidemisk modellering under stora osäkerheter och given låginformativ data. För smittsamma sjukdomar med potentiell samhällspåverkan blir skattningar av osäkerhet och konfidens ett särskilt viktig mål.

Det här projektet innefattar två delprojekt och en avslutande tillämpning: (1) effektiv och informativ simuleringsmjukvara, (2) Bayesiansk modellering av smittspridning under stora osäkerheter, och (3) fallstudie av Salmonella Dublin. Mjukvarudelen innefattar bidrag av beräkningsmodeller till SimInf (www.siminf.org), särskilt med fokus på effektiv propagering av osäkerheter. Bayesiansk modellering är ett konsekvent sätt att informera en matematisk modell med hjälp av data och på ett sådant sätt att osäkerheter naturligt propagerar och kan bidra vid skattning av risker vid olika utfall. Fallstudien av Salmonella, slutligen, är ett specifikt dataset uppsamlat för ett endemiskt/statiskt tillstånd. Utmaningen är här att prestera en specifik modell som kan utgöra ett beslutsunderlag på nationell nivå. För det här doktorandprojektet kan placeringen vara antingen vid avdelningen för Systemteknik eller vid avdelningen för Beräkningsvetenskap, beroende på kandidatens önskemål.

Detta doktorandprojekt finansieras av Formas och utförs i samarbete med Statens Veterinärmedicinska Anstalt, SVA.

3. Förbättrad optimering med hjälp av maskininlärning:

De flesta maskininlärningsmetoder, inte minst djupinlärning, är baserade på optimering. Men vad skulle hända om man vände på detta och baserade optimeringsmetoder på maskininlärning? Denna fråga utmanar de traditionella uppfattningarna inom optimeringsfältet, och utgör kärnan inom så kallad datadriven optimering—ett framväxande forskningsfält med målet att utveckla nästa generations optimeringsmetoder genom att kombinera olika aspekter av modern maskininlärning. Som följande tre exempel visar avgör sammanhanget vilken aspekt som är mest lämplig: (1) för stokastisk optimering är ett naturligt val probabilistiska numeriska metoder, där man omformulerar klassiska metoder som probabilistiska, (2) för optimering med bivillkor är grafnätverk, där relationer mellan variabler modelleras med hjälp av en graf, väl lämpade, (3) om optimeringslösaren ska ingå som en komponent i ett större system som man vill träna “end-to-end” är ett bra val differentierbar programmering, där optimeringslösaren själv görs automatiskt differentierbar. Eftersom fältet fortfarande är ungt finns det många spännande forskningsproblem att välja bland, och doktoranden kommer att ha stor frihet att inrikta sig på det som intresserar hen mest.

Denna tjänst är finansierad av Wallenberg AI, Autonomous Systems and Software Program (WASP), Sveriges största enskilda forskningsprogram i modern tid. Programmet skapar en plattform för akademisk forskning och utbildning i nära samarbete med ledande svensk teknikintensiv industri. Forskningen innefattar artificiell intelligens och autonoma system som verkar i samarbete med människor och som anpassar sig till sin omgivning med hjälp av sensorer, information och kunskap och skapar intelligenta system av system. WASPs vision är excellent forskning och kompetens inom artificiell intelligens, autonoma system och mjukvara till gagn för svensk industri. Läs mer: https://wasp-sweden.org/

Doktoranden kommer att tillhöra WASPs forskarskola, vilken har som mål att förse framtidens forskare med nödvändig kunskap för att kunna analysera, utveckla och bidra aktivt till den tvärvetenskapliga utvecklingen av artificiell intelligens, autonoma system och mjukvara. Genom ett ambitiöst program med forskningsbesök, partneruniversitet och gästföreläsare stöder forskarskolan aktivt bildandet av ett starkt multidisciplinärt och internationellt professionellt nätverk mellan doktorander, forskare och industri. Forskarskolan erbjuder därmed en unik möjlighet för de studenter som lockas av internationell forskning i världsklass med industriell relevans. Mer information: https://wasp-sweden.org/graduate-school/

Arbetsuppgifter: Doktoranden ska främst ägna sig åt den egna forskarutbildningen. Övrig tjänstgöring vid institutionen, som avser undervisning och administrativt arbete, ingår inom ramen för anställningen (max 20%).

Kvalifikationskrav: En doktorand ska ha civilingenjörsexamen, magisterexamen eller motsvarande kunskaper i ett ämne som är relevant för forskningsområdet, goda kommunikationsfärdigheter och utmärkta studiemeriter, samt goda färdigheter i engelska i tal och skrift. 

Önskvärt/meriterande i övrigt: Erfarenhet inom optimering, maskininlärning (alternativt statistiska beräkningsmetoder), beräkningsmodellering eller dynamiska system är meriterande.

Ansökan ska innehålla ett personlig brev (max 2 sidor) där den sökande beskriver sig själv, sina forskningsintressen, anledningen till varför du söker denna tjänst, samt tidigare erfarenheter av relevans för anställningen. Ansökan ska också innehålla en meritförteckning (CV), relevanta betygshandlingar, examensarbete (eller ett utkast till detta och/eller annan egenproducerad teknisk text), relevanta publikationer och övriga dokument (t.ex. förteckning över referenspersoner). Det är inget krav att den sökande har relevant grundexamen vid ansökans inlämnande, men samtliga sökande skall ange tidigast möjliga datum för anställning. 

Bestämmelser för doktorander återfinns i Högskoleförordningen 5 kap §§ 1-7 samt i universitetets regler och riktlinjer.

Lön: Enligt lokalt kollektivavtal för doktorander.

Tillträde: Snarast eller enligt överenskommelse.

Anställningsform: Tidsbegränsad anställning enl HF 5 kap § 7.

Anställningens omfattning: 100 %

Upplysningar om anställningen: finns på http://www.it.uu.se/ (institutionen) eller via kontakt: Prof. Alexander Medvedev (alexander.medvedev@it.uu.se), Prof. Stefan Engblom (stefan.engblom@it.uu.se), eller Dr Jens Sjölund (jens.sjolund@it.uu.se). 

Välkommen med din ansökan senast den 19 april 2021, UFV-PA 2021/1044.

Anställningsform Tidsbegränsad anställning
Anställningens omfattning Heltid
Tillträde Snarast
Löneform Fast lön
Antal lediga befattningar 3
Sysselsättningsgrad 100 %
Ort Uppsala
Län Uppsala län
Land Sverige
Referensnummer UFV-PA 2021/1044
Facklig företrädare
  • ST/TCO, tco@fackorg.uu.se
  • Seko Universitetsklubben, seko@uadm.uu.se
  • Saco-rådet, saco@uadm.uu.se
Publicerat 2021-03-25
Sista ansökningsdag 2021-04-19

Tillbaka till lediga jobb