Vill du arbeta med maskininlärning och simuleringsbaserad inferens för sökandet efter mörk materia (eller andra "osynliga" signaler av ny fysik) vid Large Hadron Collider, med stöd av kompetenta och trevliga kollegor i en internationell miljö? Vill du ha en arbetsgivare som satsar på ett hållbart medarbetarskap och erbjuder trygga, förmånliga arbetsvillkor? Välkommen att söka anställning som postdoktor på Uppsala universitet. Institutionen för informationsteknologi har en ledande position inom såväl forskning som utbildning på alla nivåer. Vi är idag Uppsala universitets tredje största institution och har i dag drygt 350 anställda varav 120 lärare och 120 doktorander. C:a 5000 grundutbildningsstudenter läser en eller flera kurser vid institutionen varje år. Mer information om oss hittar du på institutionen för informationsteknologis webbplats. Anställningen är placerad vid avdelningen för beräkningsvetenskap (TDB) inom institutionen för informationsteknologi. Som en av världens största fokuserade forskningsmiljöer inom beräkningsvetenskap har forskningen och utbildningen en unik bredd med omfattande aktiviteter inom numerisk analys, matematisk modellering, utveckling och analys av algoritmer, maskininlärning, optimering, vetenskaplig mjukvaruutveckling och högprestandaberäkningar. Avdelningen är också en viktig del av det strategiska samarbetet eSSENCE om e-vetenskap och av nätverket Science for Life Laboratory (SciLifeLab), en nationell forskningsinfrastruktur med uppdrag att möjliggöra spjutspetsforskning inom livsvetenskaperna i Sverige. Den som anställs kommer att ingå i forskargruppen Scientific Machine Learning vid TDB och SciLifeLab (universitetslektor Prashant Singh), som utvecklar metoder och programvara för simuleringsbaserad inferens, generativa modeller och robust maskininlärning, i nära samarbete med gruppen för teoretisk partikelfysik vid institutionen för fysik och astronomi (professor Stefano Moretti), som forskar om fenomenologi bortom standardmodellen och mörk materia och är medlem av CMS-experimentet vid CERN. Tillsammans erbjuder grupperna en internationell miljö med ett brett nätverk av samarbetspartners, generöst stöd för konferensresor samt tillgång till nationella HPC-resurser (NAISS) och lokal GPU-infrastruktur. Denna postdoktorsanställning är en del av eSSENCE forskarskola i dataintensiv vetenskap. Forskarskolan angriper utmaningarna inom dataintensiv vetenskap både ur ett grundläggande metodperspektiv och ur ett tillämpningsperspektiv inom datadriven vetenskap. Den är en arena där experter inom beräkningsvetenskap, datavetenskap och datateknik (system och metodik) arbetar nära forskare inom (datadrivna) vetenskaper, industri och samhälle för att accelerera dataintensiva vetenskapliga upptäckter. eSSENCE är ett strategiskt forskningssamarbete inom e-vetenskap mellan tre svenska universitet med en stark tradition av framstående e-vetenskaplig forskning: Uppsala universitet, Lunds universitet och Umeå universitet. I detta projekt etablerar vi ett nytt fakultetsöverskridande samarbete mellan avdelningen för beräkningsvetenskap och institutionen för fysik och astronomi, där ny metodik för simuleringsbaserad inferens utvecklas och tillämpas direkt i realistiska analyser av kolliderardata. Postdoktorn placeras vid TDB, handleds gemensamt av båda grupperna och arbetar i gränslandet mellan beräkningsvetenskap, maskininlärning och partikelfysik. Projektbeskrivning Sökandet efter mörk materia (eller andra "osynliga" signaler av ny fysik) vid Large Hadron Collider (LHC) innebär att högdimensionella kollisionsdata jämförs med detaljerade simuleringar vars likelihood inte kan beräknas, endast samplas. Simuleringsbaserad inferens (SBI) angriper detta genom att träna neurala nätverk, såsom generativa modeller baserade på flow matching, på simulerade händelser. Projektet syftar till att utveckla effektiva, robusta och kalibrerade SBI-metoder för sådana sökningar, som tar hänsyn till händelseselektion och systematiska osäkerheter, och att demonstrera dem på realistiska sökningar i stor skala på nationella HPC-resurser. Projektet bygger i första hand på Monte Carlo-simulerade data, men det finns även möjlighet att arbeta med verkliga öppna data från ATLAS- och/eller CMS-experimenten. Metoderna är generella och tillämpliga långt utanför partikelfysiken. Arbetsuppgifter Forskning inom det ovan beskrivna projektet, inklusive metodutveckling, implementering, storskaliga beräkningsexperiment på nationella HPC-resurser samt publicering i relevanta publiceringskanaler. I arbetsuppgifterna ingår att presentera resultat vid internationella konferenser, att bidra till gruppens öppna programvara, att aktivt delta i eSSENCE forskarskolas aktiviteter samt att medverka i handledning av studenter. En begränsad andel undervisning kan ingå (högst 20%). Kvalifikationskrav Doktorsexamen i maskininlärning, beräkningsvetenskap, statistik, fysik eller ett närliggande område, eller en utländsk examen som bedöms motsvara doktorsexamen i maskininlärning, beräkningsvetenskap, statistik, fysik eller ett närliggande område. 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. Dokumenterad erfarenhet av maskininlärning, särskilt djupa generativa modeller och/eller probabilistisk modellering, samt mycket goda programmeringskunskaper i Python och ett modernt ramverk för djupinlärning (t.ex. PyTorch eller JAX) krävs. Goda kunskaper i engelska i tal och skrift krävs. Kandidaten ska tydligt dokumentera en hög grad av självmotivation i ansökan. Stor vikt kommer att läggas vid personliga egenskaper såsom hög kreativitet, noggrannhet, ett strukturerat tillvägagångssätt för problemlösning samt förmåga att arbeta både självständigt och i ett tvärvetenskapligt team. Önskvärt/meriterande i övrigt Erfarenhet av simuleringsbaserad eller likelihood-fri inferens, normaliserande flöden, flow matching eller diffusionsmodeller är meriterande. Erfarenhet av partikelfysik, i synnerhet av simuleringsverktyg för kolliderarfysik (t.ex. MadGraph, Pythia, Delphes), statistisk analys av LHC-data eller fenomenologi bortom standardmodellen, är meriterande. Erfarenhet av storskalig träning på GPU- och HPC-system, av försöksplanering och aktiv inlärning, av utveckling av öppen programvara samt av tvärvetenskapligt samarbete är meriterande. Publikationer vid ledande maskininlärningskonferenser (ICLR, ICML, NeurIPS, AISTATS etc.) eller i ledande fysiktidskrifter är meriterande. Undervisningserfarenhet är meriterande men inte ett krav. Undervisningserfarenhet kan omfatta t.ex. undervisning, handledning, mentorskap, arbete som hjälplärare, internutbildning eller andra pedagogiska aktiviteter, inom eller utanför högre utbildning. Särskild vikt läggs vid aktiviteter som stödjer studenters lärande inom datavetenskap, informationsteknologi eller närliggande ämnen. Ansökan Ansökan måste innehålla: - Ett curriculum vitae (CV), - En kopia av relevanta betygsdokument (översatta till svenska eller engelska), - En publikationslista, - Upp till fem utvalda publikationer i elektroniskt format, - En forskningsbeskrivning som beskriver din tidigare och nuvarande forskning (max 1 sida) och ett förslag till framtida aktiviteter (max 1 sida), - Kontaktinformation för två referenser, Om anställningen Anställningen är tidsbegränsad i två år enligt centralt kollektivavtal. Omfattningen är heltid. Tillträde 1 november 2026 eller enligt överenskommelse. Placeringsort: Uppsala Upplysningar om anställningen lämnas av: Universitetslektor Prashant Singh, [email protected]; Professor Stefano Moretti, [email protected]; Avdelningsföreståndare Elisabeth Larsson, [email protected]. I denna rekrytering har vi ersatt det personliga brevet med frågor som du besvarar i samband med din ansökan. Svaren kommer att användas som en del i urvalsprocessen. Välkommen med din ansökan senast torsdagen 15 oktober 2026, UFV-PA 2026/2734
Advertisement
Stats
- Recommendations n/a n/a positive of 0 vote(s)
- Views 4
- Comments 0