Avdelningen av EISLAB (Embedded Intelligent Systems LAB) riktar sig till forskning och innovation inom forskningsområdena Cyber-Physical Systems, Electronic Systems och Machine Learning. Vi är en stark forsknings- och innovationspartner inom olika forskningsområden, inklusive elektronikdesign och -produktion, elektromagnetisk kompatibilitet (EMC), IoT- och SoS-automation, sensorsystem, maskininlärning och djupinlärning, digital transformation och datavetenskap.

Maskininlärningsgruppen vid institutionen för datavetenskap och rymdteknik vid Luleå tekniska universitet har anmärkningsvärt arbete med att använda ett generativt AI-drivet ramverk för Optimal Structure Selection and Generation in Material Science. Forskargruppen söker nu efter kunniga och engagerade medarbetare för att hjälpa till med att göra AI-driven forskning som förenklar konstruktionen av maskininlärningskraftfält (MLFF) som tränas på DFT-resultat.

Projektbeskrivning
WASP-WISW-projektet använder MLFFs för att driva MD-simuleringar, vilket avsevärt utökar längden och tidsskalorna som är tillgängliga jämfört med aiMD. Vårt senaste arbete med DeepCNT-22 för att driva MD-simuleringar av SWCNT-tillväxt gjorde det möjligt för oss att modellera tillväxt på mikrosekunders tidsskalor, vilket möjliggör en detaljerad studie av tillväxtmekanismer såsom defektbildning och läkning.

Men utmaningarna kvarstår. Utbildningen av vår MLFF är starkt beroende av toppmoderna DFT-beräkningar, vilket tar avsevärd tid och beräkningsresurser. Vårt nuvarande urval av strukturer för träningsuppsättningen är suboptimalt, med redundanser som leder till potentiella fördomar i MLFF.

Projektets mål är att utveckla ett AI-drivet ramverk för att optimera urvalet av strukturer för DFT-märkning och att skapa strukturer där luckor finns. Detta samarbete kommer att påskynda konstruktionen av opartiska MLFFs, vilket banar väg för att studera mer komplexa katalytiska reaktioner. Vi strävar efter att upprätta ett protokoll för att effektivt träna MLFFs, som täcker materialtillväxt till molekylär syntes i lösning.

Arbetsuppgifter
Forskning och utveckling inom AI-drivet ramverk för att optimera urvalet av strukturer för DFT-märkning och för att skapa strukturer där luckor finns. Detta samarbete kommer att påskynda konstruktionen av opartiska MLFFs, vilket banar väg för att studera mer komplexa katalytiska reaktioner. Vi strävar efter att upprätta ett protokoll för att effektivt träna MLFFs, som täcker materialtillväxt till molekylär syntes i lösning.

Kvalifikationer
Minst magisterexamen inom relevant område. Praktiska och teoretiska kunskaper i generativ AI för datagenerering och urval. Bakgrund i fysik är att föredra.

Information
Tidsbegränsad anställning i 3 månader på heltid. Placeringsort: Luleå, med start i augusti 2024.

För ytterligare information om tjänsten, vänligen kontakta:
Hamam Mokayed, universitetslektor, 0920-49 2075 hamam.mokayed@ltu.se

Fackliga företrädare:
SACO-S Kjell Johansson, 0920-49 1529 kjell.johansson@ltu.se 
OFR-S Lars Frisk, 0920-49 1792 lars.frisk@ltu.se

Vid olika tolkningar av den engelska och svenska versionen av detta tillkännagivande har den svenska versionen företräde.

Ansökan
Vi ser helst att du söker denna tjänst genom att klicka på ansökningsknappen nedan. Ansökan ska innehålla CV, personligt brev och kopior på verifierade examensbevis från gymnasiet och universitet. Märk din ansökan med referensnumret nedan. Din ansökan inklusive diplom ska skrivas på engelska eller svenska.

Sista ansökningsdag: 9 maj 2024
Referensnummer: 1108-2024