Postdoktor i Distribuerad maskininlärning och optimering
Uppsala universitet / Laborantjobb / Uppsala
Observera att sista ansökningsdag har passerat.
Visa alla laborantjobb i Uppsala,
Östhammar,
Sigtuna,
Österåker,
Håbo eller i
hela Sverige Visa alla jobb hos Uppsala universitet i Uppsala,
Upplands Väsby,
Gävle,
Gotland eller i
hela Sverige https://www.uu.se/institution/elektroteknik/vid Uppsala universitet bedriver framgångsrik forskning och utbildning inom områdena styrning och signalbehandling, maskininlärning, industriell IoT, 6G-kommunikation och trådlösa sensornätverk samt forskning och utbildning inom förnybar energi, elfordon, Life Sciences, smarta elektroniska sensorer och medicinska system. Institutionen för elektroteknik är en internationell arbetsplats med cirka 160 anställda som alla bidrar till viktiga tekniska energi- och hälsoutmaningar vid Ångströmlaboratoriet.
Tjänsten kommer att vara placerad vid avdelningen för Signaler och System, vid institutionen för Elektroteknik.
Forskningsprojekt
Nästa generations trådlösa nätverk kommer att behöva stödja ett antal applikationsområden som kräver strikta garantier på hög tillförlitlighet och låg latens, t.ex. uppkopplade autonoma fordonsnätverk, samarbetande robotar i smarta fabriker och andra verksamhets- och tidskritiska applikationer. Med tillkomsten av massiv maskin-till-maskinkommunikation och Internet-of-Things (IoT)-nätverk kan enorma datamängder samlas in och bearbetas med låg latens med hjälp av så kallad "edge computing"-teknik.
Distribuerad maskininlärning möjliggör inlärning baserat på många enheter som samarbetar utan att behöva utbyta rådata, vilket säkerställer både integritet, säkerhet och låga kommunikationskostnader. Lärande över trådlösa nätverk genererar dock betydande utmaningar på grund av flera faktorer som t. ex. begränsad bandbredd, variationer i kommunikationskanalen, begränsade beräknings- och energiresurser och den heterogena kommunikationstopologin som de anslutna IoT-enheterna ska arbeta med.
Syftet med detta projekt är att designa och analysera snabba distribuerade kommunikationseffektiva lärande- och optimerande algoritmer som är anpassningsbara till de begränsningar som de underliggande trådlösa nätverken inför. Det här projektet är tvärvetenskapligt och kräver verktyg från distribuerad optimering, reglerteknik, trådlös kommunikation och nätverksteknik, signalbehandling och statistisk maskininlärning. Projektet kommer att flytta fram gränserna inom distribuerad inlärning över trådlösa nätverk och att bidra till att utforma metoder för design av praktiska inlärningsalgoritmer för uppkopplade autonoma systemtillämpningar.
Arbetsuppgifter
De huvudsakliga arbetsuppgifterna i denna tjänst är bland annat
- Genomföra teoretisk och tillämpad forskning inom området distribuerad optimering och maskininlärning, i synnerhet för att utveckla nya federerade och fullt distribuerade maskininlärnings-/optimeringsalgoritmer, prestandaanalys av dessa algoritmer på syntetiska och verkliga data.
- Författande av högkvalitativa tekniska forskningsartiklar som lämpar sig för publicering i högt ansedda tidskrifter som IEEE Transactions on Automatic Control, Automatica, IEEE Transactions on Signal Processing, Journal of Machine Learning Research och även i internationella toppkonferenser inom området.
- Ta del av forskningsspridning genom institutionsseminarier, konferenspresentationer nationellt och internationellt.
- Undervisning i grund-/forskarutbildning som inte uppgår till mer än 20 % av heltid.
Kvalifikationskrav
- Den sökande ska ha en doktorsexamen eller en utländsk examen motsvarande en doktorsexamen i elektro- eller datateknik/tillämpad matematik med inriktning mot styrning och optimering, eller statistisk maskininlärning.
- Examen ska vara uppfyllt senast vid tidpunkten då anställningsbeslutet fattas. Främst bör den komma ifråga som har avlagt examen för högst tre år sedan. Vid beräkning av ramtiden om tre år är utgångspunkten sista ansökningsdag. Om det finns särskilda skäl kan sådan examen ha avlagts tidigare. Med särskilda skäl avses ledighet på grund av sjukdom, föräldraledighet, förtroendeuppdrag inom fackliga organisationer, etc.
- Starka analytiska och matematiska färdigheter och goda arbetskunskaper inom flera av följande ämnen: reglerteori, konvex optimering, statistisk maskininlärning, signalbehandling och trådlös kommunikation
- Goda programmeringskunskaper i MATLAB eller Python (nödvändigt) och C++ (önskvärt)
- Mycket god muntlig och skriftlig förmåga i engelska.
- Förmåga att utföra oberoende forskning samt effektivt samarbeta med andra teammedlemmar
Om anställningen
Anställningen är tidsbegränsad i 2 år enligt centralt kollektivavtal. Omfattningen är heltid. Tillträde enligt överenskommelse. Placeringsort: Uppsala
Upplysningar om anställningen lämnas av: Professor Subhrakanti Dey, e-post:
subhrakanti.dey@angstrom.uu.se, tel: +46184717059.
Välkommen med din ansökan senast den 31 Oktober 2024, UFV-PA 2024/3112.
Uppsala universitet är ett brett forskningsuniversitet med stark internationell ställning. Det yttersta målet är att bedriva utbildning och forskning av högsta kvalitet och relevans för att göra skillnad i samhället. Vår viktigaste tillgång är alla 7 600 anställda och 53 000 studenter som med nyfikenhet och engagemang gör Uppsala universitet till en av landets mest spännande arbetsplatser.
Läs mer om våra förmåner och hur det är att jobba inom Uppsala universitet
https://uu.se/om-uu/jobba-hos-oss/Anställningen kan komma att säkerhetsprövas. Vid säkerhetsprövning är en förutsättning för anställning att sökande blir godkänd.
Vi undanber oss erbjudanden om rekryterings- och annonseringshjälp.
Ansökan tas emot i Uppsala universitets rekryteringssystem.
Ersättning Individuell lönesättning
Så ansöker du Sista dag att ansöka är 2024-10-31
Klicka på denna länk för att göra din ansökan Arbetsgivarens referens Arbetsgivarens referens för detta jobb är "UFV-PA 2024/3112".
Omfattning Detta är ett heltidsjobb.
Arbetsgivare Uppsala Universitet (org.nr 202100-2932)
Arbetsplats Institutionen för elektroteknik
Jobbnummer 8905737
Observera att sista ansökningsdag har passerat.