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

Ricercatore Postdoc in Tabular Foundation Models per Building and District Energy Systems. La scienza e la tecnologia dei materiali sono la nostra passione. Con la nostra ricerca all'avanguardia, i circa 1.100 dipendenti di Empa apportano contributi essenziali al benessere della società per un futuro che valga la pena 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 AI per sistemi ingegneristici e industriali complessi, con un particolare focus sul miglioramento della loro affidabilità, disponibilità e prestazioni operative, consentendo al contempo una manutenzione più efficiente ed economica. Per far avanzare 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 attraverso edifici e sistemi energetici su scala di distretto e di trasferire tali conoscenze tra sistemi, condizioni operative e task a valle. La posizione combina l'esperienza di Empa UESL nello sviluppo e nell'accesso a modelli di sistemi energetici con l'esperienza metodologica dell'IMOS Laboratory nel machine learning e nei foundation models. I vostri compiti * Valutare e testare i modelli tabular foundation pre-addestrati esistenti 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) i foundation models esistenti per applicazioni di sistemi energetici, investigando strategie di adattamento efficienti e l'uso di dati e conoscenze specifiche del dominio. * Sviluppare nuovi approcci di tabular foundation-model laddove i modelli pre-addestrati esistenti siano insufficienti, con un particolare focus sulla 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 previsione, surrogate modelling, quantificazione dell'incertezza e supporto alle decisioni. * 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 vostro 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-addestrati, 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-addestrati, 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 una forte 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 possiede 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, s j4id10402144a j4it0939a j4iy26a