Doktorand i maskininlärning baserat på fysikaliska principer

Vill du arbeta i gränslandet mellan maskininlärning och fysik, med stöd av kompetenta kollegor i en ledande internationell miljö? Vill du ha en arbetsgivare som satsar på ett hållbart medarbetarskap och erbjuder trygga, förmånliga arbetsvillkor? Välkommen att söka anställning som doktorand på Uppsala universitet.

Uppsala universitet har en lång tradition av framgångsrik forskning – bland alumnerna återfinns 16 nobelpristagare, nu senast Svante Pääbo. Universitetet är unikt när det gäller att kombinera IT med bredare forskning, från biovetenskap till humaniora, och detta samarbete underlättas för närvarande av AI4Research och Centrum för tvärvetenskaplig matematik.

Institutionen för informationsteknologi har en ledande position inom såväl forskning som utbildning på alla nivåer. Vi är idag Uppsala universitets tredje största institution och har i dag drygt 350 anställda varav 120 lärare och 120 doktorander. C:a 5000 grundutbildningsstudenter läser en eller flera kurser vid institutionen varje år. Mer information om oss hittar du på institutionen för informationsteknologis webbplats.

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.

Projektbeskrivning
Det finns två huvudsakliga strategier att ta fram modeller på - antingen kan man härleda modeller utifrån tidigare känd teori, eller lära sig modeller endast utifrån tillgängliga data. Detta projekt syftar till att skapa nya verktyg för att använda dessa två strategier tillsammans. Att kombinera all kunskap om ett problem, dels utifrån tidigare känd teori och dels utifrån tillgängliga data, har potential att resultera i bättre modeller än om vi bara måste lita på en av dem. Hur detta ska göras i praktiken är ett öppet och aktivt forskningsområde.

En nackdel med datadrivna modeller är att det ofta kan vara svårt att tolka vad modellerna faktiskt lär sig från data. Teoribaserade modeller är däremot enklare att tolka eftersom de ingående variablerna många gånger har en fysikalisk innebörd. Genom att kombinera dessa två strategier hoppas vi kunna få en modell som kan utnyttja de datadrivna modellernas styrka i att hitta tidigare oupptäckta mönster i stora datamängder, samtidigt som vi nu kan tolka och förstå dessa modeller på ett nytt sätt. Vår förhoppning är därför att dessa modeller ska kunna bli kraftfulla verktyg som i förlängningen kan skapa nya vetenskapliga upptäckter inom fysiken. Slutligen syftar projektet också till att använda teorier från fysiken för att bättre förstå varför maskininlärningsmodeller fungerar, hur de kan förbättras och kvantifiera deras grundläggande begränsningar.

Vi har en stark koppling till samarbetspartners inom fysik och materialvetenskap vid Uppsala universitet, med ett växande intresse för att använda maskininlärningsmetoder inom sina respektive domäner. Dessa samarbeten kan möjliggöra relevanta tillämpningar som en del av projektet.

Det exakta forskningsämnet avgörs i en dialog mellan doktoranden och handledaren. Anställningen finansieras av Vetenskapsrådet.

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

Kvalifikationskrav
Behörig till utbildning på forskarnivå är den som har

• avlagt examen på avancerad nivå inom teknisk fysik, teoretisk fysik, tillämpad matematik, elektroteknik, maskininlärning, eller
• fullgjort minst 240 högskolepoäng, varav minst 60 högskolepoäng på avancerad nivå inklusive ett självständigt arbete om minst 15 högskolepoäng, eller
• på något annat sätt förvärvat i huvudsak motsvarande kunskaper.

Information om den särskilda behörigheten kan hittas i studieplanen för ämnet Maskininlärning

Vi söker kandidater med

• ett starkt intresse inom maskininlärning och fysik,
• god kommunikationsförmåga med tillräckliga kunskaper i muntlig och skriftlig engelska,
• utmärkta studieresultat,
• goda kunskaper i programmering (helst i Python)
• personliga egenskaper, såsom en hög nivå av kreativitet, noggrannhet och/eller ett strukturerat tillvägagångssätt för problemlösning är avgörande. 

Önskvärt/meriterande i övrigt
Erfarenhet och kurser i ett eller flera ämnen värdesätts: maskininlärning, djupinlärning, optimering, signalbehandling, reglerteknik, termodynamik, statistisk mekanik.

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

Ansökan
Ansökan ska innehålla:

1. ett personligt brev (högst 2 sidor) där du kort motiverar varför du söker denna anställning, inklusive en självutvärdering om varför du skulle vara rätt kandidat för denna anställning; 
2. en meritförteckning (CV);
3. examensbevis och registerutdrag med betyg (översatt till engelska eller svenska); 
4. examensrapport (eller utkast till sådan, och/eller annan egenproducerad teknisk eller vetenskaplig text), publikationer och andra relevanta dokument; 
5. referenser med kontaktinformation (namn, e-post och telefonnummer) och upp till två rekommendationsbrev.

Sökande som uppfyller minst ett av behörighetskraven uppmuntras starkt att ansöka. Alla sökande bör ange sitt tidigaste möjliga startdatum.

Om anställningen 
Anställningen är tidsbegränsad, enligt HF 5 kap § 7. Omfattningen är heltid. Tillträde 13/1 2025 eller enligt överenskommelse. Placeringsort: Uppsala

Upplysningar om anställningen lämnas av: Universitetslektor Niklas Wahlström, niklas.wahlstrom@it.uu.se.

Välkommen med din ansökan senast den 18 oktober 2024, UFV-PA 2024/2950.