Postdoktorand für tabellarische Foundation Models für Gebäude- und Quartier-Energiesysteme

Materialwissenschaft und -technologie sind unsere Leidenschaft. Mit ihrer Spitzenforschung leisten die rund 1.100 Mitarbeitenden der Empa wesentliche Beiträge zum Wohlergehen der Gesellschaft für eine lebenswerte Zukunft. Die Empa ist eine Forschungsinstitution der ETH Domain.

Unsere Leidenschaft liegt in der Materialwissenschaft und -technologie, und am Urban Energy Systems Laboratory (UESL) entwickeln wir Strategien und Methoden zur Unterstützung der Schaffung dekarbonisierter, resilienter und gerechter Energiesysteme.

Diese PostDoc-Position 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 Fokus auf die Verbesserung ihrer Zuverlässigkeit, Verfügbarkeit und Betriebsleistung bei gleichzeitiger Ermöglichung einer effizienteren und kostengünstigeren Wartung.

Um die Entwicklung von tabellarischen Foundation Models für Energiesysteme voranzutreiben, suchen wir eine hochmotivierte und qualifizierte Postdoktorandinnen oder Postdoktoranden. Das Projekt zielt darauf ab, Foundation Models zu entwickeln, die aus heterogenen tabellarischen Daten über Gebäude und Energiesysteme auf Quartiersebene lernen und auf andere Systeme, Betriebsbedingungen und nachgelagerte Aufgaben (downstream tasks) übertragbar sind. Die Position kombiniert die Expertise des 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 vorab trainierter tabellarischer Foundation Models für Energieanwendungen auf Gebäude- und Quartiersebene, wobei deren Übertragbarkeit und Generalisierung über Systeme, Betriebsbedingungen und nachgelagerte Aufgaben hinweg zu bewerten ist.
• Anpassung und Fine-Tuning bestehender Foundation Models für Energiesystem-Anwendungen, Untersuchung effizienter Anpassungsstrategien und der Nutzung domänenspezifischer Daten und Kenntnisse.
• Entwicklung neuer Ansätze für tabellarische Foundation Models, wenn bestehende vorab trainierte Modelle unzureichend sind, mit einem besonderen Fokus auf die Übertragbarkeit über heterogene Energiesysteme und Datensätze hinweg.
• Validierung und Benchmarking der entwickelten Modelle unter Verwendung von Gebäudemessungen, physikbasierten Simulationen und Optimierungsmodellen für Energiesysteme.
• Untersuchung, wie tabellarische 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 Forschungsvorschlägen und der Akquise von wettbewerbsfähigen Fördermitteln.

Ihr Profil ###

Wir suchen eine hochmotivierte und engagierte Forscherpersönlichkeit mit einem PhD in Mathematik, Elektrotechnik oder Maschinenbau, Informatik oder einem verwandten Bereich und einem starken methodischen Hintergrund in Machine Learning. Der ideale Kandidat verfügt über nachgewiesene Forschungserfahrung mit Foundation Models, einschließlich der Evaluierung und Anpassung von vorab trainierten Modellen, Fine-Tuning-Strategien und der Entwicklung neuer Modellarchitekturen oder Lernansätze. Erfahrung mit tabellarischen Foundation Models oder Foundation Models für strukturierte Daten ist für diese Position besonders relevant.

Kernqualifikationen beinhalten:

• Starke Forschungserfahrung in Deep Learning und Foundation Models, einschließlich Erfahrung mit vorab trainierten Modellen, Fine-Tuning, Transfer Learning oder Self-Supervised Learning. Erfahrung mit tabellarischen Foundation Models oder Foundation Models für strukturierte Daten ist besonders relevant.
• Ein tiefes Verständnis moderner Deep-Learning-Architekturen und Trainingsstrategien sowie Erfahrung im Entwurf und der rigorosen Evaluierung 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-Codebasen.
• Eine starke Erfolgsbilanz in Machine Learning oder eng verwandten Bereichen.
• Ausgezeichnete Englischkenntnisse in Wort und Schrift.

Idealerweise besitzt der Kandidat auch:

• 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, wie z. B. Mixed-Integer Linear Programming.
• Erfahrung mit Unsicherheitsquantifizierung, Surrogate Modelling oder Physics-Informed Machine Learning.
• Verständnis der technischen Herausforderungen im Zusammenhang mit der Energiewende.

Unser Angebot ###

• Ein anregendes und interdisziplinäres Forschungsumfeld sowie Möglichkeiten zur persönlichen und beruflichen Weiterentwicklung.
• Enge Zusammenarbeit zwischen Empa und EPFL, die komplementäre Expertise in den Bereichen Energiesysteme, Machine Learning und Foundation Models zusammenführt.
• Die Möglichkeit, eine aufstrebende Forschungsrichtung an der Schnittstelle von künstlicher Intelligenz, Energiesystemmodellierung und -optimierung mitzugestalten.
• Die Möglichkeit eines sofortigen Starts oder nach Vereinbarung.

Wir fördern eine Kultur der Inklusion und des Respekts. Wir begrüßen alle Menschen, die an innovativen, nachhaltigen und sinnvollen Aktivitäten interessiert sind – das ist es, was zählt.

Wir freuen uns auf Ihre vollständige Online-Bewerbung, einschließlich eines Motivationsschreibens, Lebenslauf, eines einseitigen Forschungsvorschlags zur Vorgehensweise bei Ihren Aufgaben, Zeugnissen, Diplomen