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

Postdoctoral Researcher in Tabular Foundation Models for Building and District Energy Systems Materialienwissenschaft und Technologie sind unsere Leidenschaft. Mit unserer Spitzenforschung leisten die rund 1,100 Mitarbeitenden der Empa wesentliche Beiträge zum Wohlergehen der Gesellschaft für eine lebenswerte Zukunft. Die Empa ist eine Forschungsinstitution des ETH Domain. Unsere Leidenschaft liegt in der Materialwissenschaft und -technologie, und im [Urban Energy Systems Laboratory](< >) (UESL) entwickeln wir Strategien und Methoden zur Unterstützung der Schaffung dekarbonisierter, resilienter und gerechter Energiesysteme. Diese PostDoc-Stelle wird in Zusammenarbeit mit dem [Intelligent Maintenance and Operations Systems (IMOS) Laboratory](< >) an der EPFL ([Prof. Olga Fink](< >)) angeboten. IMOS entwickelt fortschrittliche Machine-Learning- und KI-Methoden für komplexe technische und industrielle Systeme, mit einem besonderen Schwerpunkt auf der Verbesserung ihrer Zuverlässigkeit, Verfügbarkeit und betrieblichen Leistung bei gleichzeitiger Ermöglichung einer effizienteren und kostengünstigeren Wartung. Um die Entwicklung von Tabular Foundation Models für Energiesysteme voranzutreiben, suchen wir eine hochmotivierte und qualifizierte Postdoctoral Researcher. Das Projekt zielt darauf ab, Foundation Models zu entwickeln, die aus heterogenen tabellarischen Daten über Gebäude und Energiesysteme auf Distriktebene lernen und über Systeme, Betriebsbedingungen und Downstream-Aufgaben hinweg transferierbar sind. Die Stelle kombiniert die Expertise der Empa UESL in der Entwicklung und dem Zugriff auf Energiesystemmodelle mit der methodischen Expertise des IMOS Laboratory in Machine Learning und Foundation Models. Ihre Aufgaben * Evaluierung und Benchmarking bestehender vortrainierter Tabular Foundation Models für Energieanwendungen auf Gebäude- und Distriktebene, wobei deren Transferierbarkeit und Generalisierung über Systeme, Betriebsbedingungen und Downstream-Aufgaben hinweg zu bewerten ist. * Anpassung und Fine-Tuning bestehender Foundation Models für Energiesystemanwendungen, wobei effiziente Anpassungsstrategien sowie die Nutzung domänenspezifischer Daten und Kenntnisse untersucht werden. * Entwicklung neuer Tabular Foundation-Model-Ansätze, wenn bestehende vortrainierte Modelle unzureichend sind, mit einem besonderen Schwerpunkt auf der Transferierbarkeit über heterogene Energiesysteme und Datensätze hinweg. * Validierung und Benchmarking der entwickelten Modelle unter Verwendung von Gebäudemessungen, physikbasierten Simulationen und Optimierungsmodellen für Energiesysteme. * Untersuchung, wie Tabular Foundation Models die Modellierung und Optimierung von Energiesystemen unterstützen können, einschließlich Anwendungen wie Vorhersage, Surrogate Modelling, Unsicherheitsquantifizierung und Entscheidungsunterstützung. * Koordination der gemeinsamen Forschungsaktivitäten zwischen UESL und IMOS. * Publikation und Präsentation von Forschungsperspektiven und Ergebnissen. * Mitwirkung an Forschungsanträgen und dem Einwerben von wettbewerbsfähigen Fördermitteln. Ihr Profil Wir suchen eine hochmotivierte und engagierte Forscherin oder einen hochmotivierten und engagierten Forscher mit einem PhD in Mathematik, Elektrotechnik oder Maschinenbau, Informatik oder einem verwandten Bereich und einem starken methodischen Hintergrund in Machine Learning. Die ideale Besetzung verfügt über nachgewiesene Forschungserfahrung mit Foundation Models, einschließlich der Evaluierung und Anpassung vortrainierter Modelle, Fine-Tuning-Strategien sowie der Entwicklung neuer Modellarchitekturen oder Lernansätze. Erfahrung mit Tabular Foundation Models oder Foundation Models für strukturierte Daten ist für diese Position besonders relevant. Zu den wichtigsten Qualifikationen gehören: * Starke Forschungserfahrung in Deep Learning und Foundation Models, einschließlich Erfahrung mit vortrainierten Modellen, Fine-Tuning, Transfer Learning oder Self-Supervised Learning. Erfahrung mit Tabular Foundation Models oder Foundation Models für strukturierte Daten ist besonders relevant. * Ein tiefes Verständnis moderner Deep-Learning-Architekturen und Trainingsstrategien sowie Erfahrung im Entwerfen und rigorosen Evaluieren neuer Machine-Learning-Methoden. * Exzellente Python-Programmierkenntnisse und fundierte praktische Erfahrung in der Implementierung, dem Training und der Evaluierung von Deep-Learning-Modellen und Forschungs-Codebases. * Eine starke Erfolgsbilanz in Machine Learning oder eng verwandten Bereichen * Ausgezeichnete Englischkenntnisse in Wort und Schrift Idealerweise verfügt die Person zudem über: * Erfahrung in der Modellierung und Optimierung von Energiesystemen * Erfahrung mit tabellarischen oder heterogenen Daten, insbesondere über mehrere Datensätze, Domänen oder Aufgaben hinweg * Vertrautheit mit mathematischen Optimierungsmethoden, s j4id10402144a j4it0939a j4iy26a