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 leurs recherches de pointe, les quelque 1 100 employés d'Empa apportent des contributions essentielles au bien-être de la société pour un avenir digne d'être vécu. Empa est une institution 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 l'Intelligent Maintenance and Operations Systems (IMOS) Laboratory de l'EPFL (Prof. Olga Fink). L'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 leurs performances opérationnelles 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 des bâtiments et des systèmes énergétiques à l'échelle de 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 (fine-tune) les modèles de fondation existants pour les applications de systèmes énergétiques, en étudiant des stratégies d'adaptation efficaces et l'utilisation de données et de connaissances spécifiques au domaine.
• Développer de nouvelles approches de modèles de fondation tabulaires là où 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 (surrogate modelling), 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 titulaire d'un doctorat en mathématiques, en génie électrique ou mécanique, en informatique ou dans un domaine connexe, et possédant 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 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 données structurées est particulièrement pertinente pour ce poste.

Les qualifications clés incluent :

• Une solide expérience de recherche en deep learning et modèles de fondation, y compris l'expérience avec les modèles pré-entraînés, le fine-tuning, le transfert d'apprentissage (transfer learning) ou l'apprentissage auto-supervisé. L'expérience avec les modèles de fondation tabulaires ou les modèles de fondation pour données structurées est particulièrement pertinente.
• Une excellente compréhension des architectures de deep learning modernes et des stratégies d'entraînement, ainsi qu'une expérience dans la conception et l'évaluation rigoureuse de nouvelles méthodes d'apprentissage automatique. - Excellentes compétences en programmation Python et une solide expérience pratique de l'implémentation, de l'entraînement et de l'évaluation de modèles de deep learning et de bases de code de recherche.
• Un excellent parcours en apprentissage automatique ou dans des domaines étroitement liés.
• Un excellent niveau d'anglais écrit et parlé.

Idéalement, le candidat :

• Possède une expérience en modélisation et optimisation de systèmes énergétiques
• Possède une expérience avec les données tabulaires ou hétérogènes, particulièrement à travers de multiples jeux de données, domaines ou tâches
• Est familier avec les méthodes d'optimisation mathématique, telles que la programmation linéaire en nombres entiers mixtes
• Possède une expérience de la quantification de l'incertitude, de la modélisation de substitution ou de l'apprentissage automatique informé par la physique (physics-informed machine learning)
• Comprend les défis techniques associés à la transition énergétique

Notre offre ###

• Un environnement de recherche stimulant et interdisciplinaire et des opportunités de développement personnel et professionnel
• Une collaboration étroite entre Empa et EPFL, réunissant des expertises complémentaires en systèmes énergétiques, apprentissage automatique et modèles de fondation
• L'opportunité de façonner une direction de recherche émergente à l'interface de l'intelligence artificielle, de l