Ricercatore Postdoc in Tabular Foundation Models per Building and District Energy Systems

La scienza e la tecnologia dei materiali sono la nostra passione. Grazie alla nostra ricerca all'avanguardia, i circa 1.100 dipendenti di Empa apportano contributi essenziali al benessere della società per un futuro degno di essere vissuto. Empa è un istituto di ricerca del dominio ETH.

La nostra passione risiede nella scienza e nella tecnologia dei materiali e, presso l'Urban Energy Systems Laboratory (UESL), sviluppiamo strategie e metodi per supportare la creazione di sistemi energetici decarbonizzati, resilienti ed equi.

Questa posizione PostDoc è offerta in collaborazione con l'Intelligent Maintenance and Operations Systems (IMOS) Laboratory presso l'EPFL (Prof. Olga Fink). IMOS sviluppa metodi avanzati di machine learning e IA per sistemi ingegneristici e industriali complessi, con particolare attenzione al miglioramento della loro affidabilità, disponibilità e prestazioni operative, consentendo al contempo una manutenzione più efficiente ed economica.

Per far progredire lo sviluppo di tabular foundation models per i sistemi energetici, cerchiamo un ricercatore postdoc altamente motivato e qualificato. Il progetto mira a sviluppare foundation models in grado di apprendere da dati tabulari eterogenei relativi a edifici e sistemi energetici su scala di distretto e di trasferirsi tra sistemi, condizioni operative e task a valle. La posizione combina l'esperienza di Empa UESL nello sviluppo e nell'accesso ai modelli di sistemi energetici con l'esperienza metodologica dell'IMOS Laboratory nel machine learning e nei foundation models.

I tuoi compiti ###

• Valutare e testare gli esistenti pre-trained tabular foundation models per applicazioni energetiche su scala di edifici e distretti, valutandone la trasferibilità e la generalizzazione tra sistemi, condizioni operative e task a valle.
• Adattare e perfezionare (fine-tune) gli esistenti foundation models per applicazioni di sistemi energetici, investigando strategie di adattamento efficienti e l'uso di dati e conoscenze specifici del settore.
• Sviluppare nuovi approcci di tabular foundation-model laddove i modelli pre-trained esistenti siano insufficienti, con particolare attenzione alla trasferibilità tra sistemi energetici e dataset eterogenei.
• Validare e testare i modelli sviluppati utilizzando misurazioni degli edifici, simulazioni basate sulla fisica e modelli di ottimizzazione dei sistemi energetici.
• Investigare come i tabular foundation models possano supportare la modellazione e l'ottimizzazione dei sistemi energetici, incluse applicazioni come la previsione, la surrogate modelling, la quantificazione dell'incertezza e il supporto decisionale.
• Coordinare le attività di ricerca congiunte tra UESL e IMOS.
• Pubblicare e presentare prospettive e risultati di ricerca.
• Contribuire a proposte di ricerca e all'acquisizione di finanziamenti competitivi.

Il tuo profilo ###

Cerchiamo un ricercatore altamente motivato e dedicato con un PhD in matematica, ingegneria elettrica o meccanica, informatica o un campo correlato, e un forte background metodologico nel machine learning. Il candidato ideale ha dimostrato esperienza di ricerca con i foundation models, inclusa la valutazione e l'adattamento di modelli pre-trained, strategie di fine-tuning e lo sviluppo di nuove architetture di modelli o approcci di apprendimento. L'esperienza con i tabular foundation models o i foundation models per dati strutturati è particolarmente rilevante per questa posizione.

Le qualifiche chiave includono:

• Forte esperienza di ricerca nel deep learning e nei foundation models, inclusa l'esperienza con modelli pre-trained, fine-tuning, transfer learning o self-supervised learning. L'esperienza con i tabular foundation models o i foundation models per dati strutturati è particolarmente rilevante.
• Una solida comprensione delle moderne architetture di deep-learning e delle strategie di addestramento, e l'esperienza nella progettazione e nella valutazione rigorosa di nuovi metodi di machine-learning. - Eccellenti capacità di programmazione in Python e solida esperienza pratica nell'implementazione, nell'addestramento e nella valutazione di modelli di deep-learning e codebase di ricerca.
• Un solido track record nel machine learning o in campi strettamente correlati.
• Eccellente inglese scritto e parlato.

Idealmente, il candidato ha anche:

• Esperienza nella modellazione e nell'ottimizzazione dei sistemi energetici.
• Esperienza con dati tabulari o eterogenei, in particolare attraverso molteplici dataset, domini o task.
• Familiarità con i metodi di ottimizzazione matematica, come il mixed-integer linear programming.
• Esperienza con la quantificazione dell'incertezza, la surrogate modelling o il physics-informed machine learning.
• Comprensione delle sfide tecniche associate alla transizione energetica.

La nostra offerta ###

• Un ambiente di ricerca stimolante e interdisciplinare e opportunità di sviluppo personale e professionale.
• Stretta collaborazione tra Empa ed EPFL, che unisce competenze complementari nei sistemi energetici, nel machine learning e nei foundation models.
• L'opportunità di dare forma a una direzione di ricerca emergente all'interfaccia tra intelligenza artificiale, modellazione e ottimizzazione dei sistemi energetici.
• La possibilità di iniziare immediatamente o previo accordo.

Promuoviamo una cultura di inclusione e rispetto. Accogliamo tutte le persone interessate ad attività innovative, sostenibili e significative - è questo ciò che conta.

Non vediamo l'ora di ricevere la tua candidatura completa online, inclusa una lettera di motivazione, CV, una proposta di ricerca di una pagina su come affronteresti i tuoi compiti, certificati, diplomi e i dettagli di contatto di due referenti. La proposta di ricerca dovrebbe delineare brevemente la visione di ricerca del candidato e le direzioni metodologiche proposte per far progredire i tabular foundation models per i sistemi energetici, incluse potenziali domande d