Arbetsbeskrivning

Institutionen för informationsteknologi har en ledande position inom såväl forskning som utbildning på alla nivåer. Mer information om oss hittar du på institutionen för informationsteknologis webbplats. Vid avdelningen för avdelningen för Systemteknik utvecklar vi både teori och konkreta verktyg för att designa system som lär sig, resonerar och agerar i den verkliga världen baserat på en sömlös kombination av data, matematiska modeller och algoritmer.  Vi erbjuder en postdoctjänst för att utforska och utveckla maskininlärningsmodeller som utvecklas över tid och rum, och för att använda dessa modeller för att förstå DNA:s organisation och dess relation till de dynamiska 3D-strukturerade kromosomerna. Positionen ingår i vårt nya NEST-initiativ, finansierat av Wallenberg AI, Autonomous Systems and Software Program (WASP) och Wallenberg National Program for Data-Driven Life Science (DDLS). Vårt projekt, Learning 3D Genome Dynamics from Heterogeneous Data , är ett 5-årigt samarbete mellan forskare vid Uppsala universitet och Karolinska Institutet.  Arbetsuppgifter  Detta projekt fokuserar på att utveckla, analysera och använda probabilistiska metoder för dynamiska fenomen som utvecklas över tid och rum, baserat på mätningar från olika och kompletterande källor. Vi kommer att utveckla generellt användbara maskininlärnings-modeller och metoder som drivs av datarika experiment från våra samarbetspartners. Det verkliga användningsfallet är att lära sig de regler som styr dynamiken i bakteriens kromosomstruktur. Tekniska byggstenar kan inkludera tillståndsmodeller, generativa modeller i form av diffusionsmodeller, djupinlärning, optimal transport och probabilistisk modellering i allmänhet. Datorseende kan också inkluderas om det finns intresse. Tjänsten kan innehålla undervisning upp till 20% beroende på tillgänglighet och intresse. Tjänsten innefattar utveckling av teori och probabilistiska metoder för fenomen som utvecklas över tid och rum. Relaterat till detta är uppgiften att härleda algoritmer som kan användas för att lära sig okända modellparametrar från uppmätta data. Tjänsten innebär samarbete inom NEST-projektets partnergrupper ledda av Johan Elf och Magda Bienko. Tjänsten kan innehålla undervisning upp till 20% beroende på tillgänglighet och intresse. Kvalifikationskrav Doktorsexamen i maskininlärning, signalbehandling, datorseende, beräkningsintensiv statistik, eller närliggande relevant område eller en utländsk examen som bedöms motsvara doktorsexamen i maskininlärning, signalbehandling, datorseende, beräkningsintensiv statistik, eller närliggande relevant 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. Vi söker kandidater med ett stort intresse för och erfarenhet av att utveckla nya maskininlärningsmetoder och modeller, förmåga att använda djupinlärning, förmåga att kommunicera tekniskt material effektivt i muntlig och skriftlig form (engelska), goda arbetskunskaper inom programmering (helst i Python). personliga egenskaper, såsom en hög nivå av kreativitet, noggrannhet och/eller ett strukturerat tillvägagångssätt för problemlösning är avgörande. Erfarenhet av modellering av dynamiska fenomen över tid och rum är meriterande. Publikationer vid ledande konferenser inom maskininlärning är ett stort plus. Du förväntas kunna undervisa på svenska eller engelska.  Önskvärt/meriterande i övrigt Erfarenhet av tvärvetenskaplig forskning är bra. Erfarenhet och kunskap inom ett eller flera av dessa ämnen är värdefulla: maskininlärning, dynamiska system,  systemidentifiering. Vid urval bland de sökande kommer vi att bedöma deras förmåga att självständigt driva sitt arbete framåt, att samarbeta med andra, att ha ett professionellt förhållningssätt och att analysera och arbeta med komplexa problem. Stor vikt kommer att läggas vid personliga egenskaper och personlig lämplighet. Ansökan ska innehålla: En meritförteckning (CV), Publikationslista, Upp till fem utvalda publikationer i elektronisk form, Beskrivning av din nuvarande och tidigare forskning (max 1 sida) och förslag på framtida forskning (max 1 sida), Kontaktinformation till två referenser, Ett personligt brev där du kort motiverar varför du söker denna tjänst samt ange tidigast möjliga anställningsdatum (max 1 sida). Om anställningen  Anställningen är tidsbegränsad i 2 år enligt centralt kollektivavtal. Omfattningen är heltid. Tillträde 1 mars eller enligt överenskommelse. Placeringsort: Uppsala. Upplysningar om anställningen lämnas av: Professor Thomas Schön, 018 - 471 25 94, [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 den 23 januari 2026, UFV-PA 2025/3868. Observera att detta är en förkortad version av annonsen. För att se den fullständiga annonsen vänligen klicka på ”Ansök här” eller se Uppsala universitets hemsida för jobbannonser 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. Fackliga företrädare: Saco-S - [email protected], Seko - [email protected], ST (OFR/S) - [email protected]