Chercheur postdoctoral en modèles de fondation tabulaires pour les systèmes énergétiques des bâtiments et des quartiers

Chercheur postdoctoral en modèles de fondation tabulaires pour les systèmes énergétiques des bâtiments et des quartiers La science et la technologie des matériaux sont notre passion. Grâce à leur recherche de pointe, les quelque 1 100 employés d'Empa apportent des contributions essentielles au bien-être de la société pour un avenir qui vaut la peine d'être vécu. Empa est un institut de recherche du domaine de l'ETH. Notre passion réside dans la science et la technologie des matériaux, et au [Urban Energy Systems Laboratory](< >) (UESL), nous développons des stratégies et des méthodes pour soutenir la création de systèmes énergétiques décarbonés, résilients et équitables. Ce poste de PostDoc est proposé en collaboration avec le [Intelligent Maintenance and Operations Systems (IMOS) Laboratory](< >) à l'EPFL ([Prof. Olga Fink](< >)). IMOS développe des méthodes avancées d'apprentissage automatique et d'IA pour les systèmes d'ingénierie et industriels complexes, avec un accent particulier sur l'amélioration de leur fiabilité, de leur disponibilité et de leur performance opérationnelle, tout en permettant une maintenance plus efficace et rentable. Pour faire progresser le développement de modèles de fondation tabulaires pour les systèmes énergétiques, nous recherchons un chercheur postdoctoral hautement motivé et qualifié. Le projet vise à développer des modèles de fondation capables d'apprendre à partir de données tabulaires hétérogènes à travers les bâtiments et les systèmes énergétiques à l'échelle des quartiers, et de se transférer entre les systèmes, les conditions de fonctionnement et les tâches en aval. Le poste combine l'expertise de l'Empa UESL dans le développement et l'accès aux modèles de systèmes énergétiques avec l'expertise méthodologique du laboratoire IMOS en apprentissage automatique et modèles de fondation. Vos tâches * Évaluer et comparer les modèles de fondation tabulaires pré-entraînés existants pour les applications énergétiques à l'échelle des bâtiments et des quartiers, en évaluant leur transférabilité et leur généralisation à travers les systèmes, les conditions de fonctionnement et les tâches en aval. * Adapter et affiner les modèles de fondation existants pour les applications de systèmes énergétiques, en étudiant les stratégies d'adaptation efficaces et l'utilisation de données et de connaissances spécifiques au domaine. * Développer de nouvelles approches de modèles de fondation tabulaires lorsque les modèles pré-entraînés existants sont insuffisants, avec un accent particulier sur la transférabilité à travers des systèmes énergétiques et des ensembles de données hétérogènes. * Valider et comparer les modèles développés en utilisant des mesures de bâtiments, des simulations basées sur la physique et des modèles d'optimisation de systèmes énergétiques. * Étudier comment les modèles de fondation tabulaires peuvent soutenir la modélisation et l'optimisation des systèmes énergétiques, y compris des applications telles que la prédiction, la modélisation de substitution, la quantification de l'incertitude et l'aide à la décision. * Coordonner les activités de recherche conjointes entre l'UESL et l'IMOS. * Publier et présenter des perspectives et des résultats de recherche. * Contribuer aux propositions de recherche et à l'acquisition de financements compétitifs. Votre profil Nous recherchons un chercheur hautement motivé et dévoué possédant un doctorat en mathématiques, en génie électrique ou mécanique, en informatique ou dans un domaine connexe, et une solide expérience méthodologique en apprentissage automatique. Le candidat idéal a démontré une expérience de recherche avec les modèles de fondation, y compris l'évaluation et l'adaptation de modèles pré-entraînés, les stratégies d'affinage (fine-tuning) et le développement de nouvelles architectures de modèles ou d'approches d'apprentissage. L'expérience avec les modèles de fondation tabulaires ou les modèles de fondation pour les données structurées est particulièrement pertinente pour ce poste. Les qualifications clés comprennent : * Une solide expérience de recherche en apprentissage profond (deep learning) et en modèles de fondation, y compris l'expérience des modèles pré-entraînés, de l'affinage, de l'apprentissage par transfert ou de l'apprentissage auto-supervisé. L'expérience avec les modèles de fondation tabulaires ou les modèles de fondation pour les données structurées est particulièrement pertinente. * Une compréhension approfondie des architectures d'apprentissage profond modernes et des stratégies d'entraînement, ainsi qu'une expérience de la conception et de l'évaluation rigoureuse de nouvelles méthodes d'apprentissage automatique. * D'excellentes compétences en programmation Python et une solide expérience pratique de l'implémentation, de l'entraînement et de l'évaluation de modèles d'apprentissage profond et de bases de code de recherche. * Un excellent dossier dans le domaine de l'apprentissage automatique ou de domaines étroitement liés * Un excellent niveau d'anglais écrit et parlé Idéalement, le candidat possède également : * Une expérience en modélisation et optimisation de systèmes énergétiques * Une expérience avec des données tabulaires ou hétérogènes, particulièrement à travers de multiples ensembles de données, domaines ou tâches * Une familiarité avec les méthodes d'optimisation mathématique, s j4id10402144a j4it0939a j4iy26a