The posting
Vill du arbeta med maskininlärning och simuleringsbaserad inferens för sökandet efter mörk materia (eller andra "osynliga" signaler av ny fysik) vid Large Hadron Collider, i en internationell miljö med kompetenta och trevliga kollegor? Välkommen att söka anställning som postdoktor på Uppsala universitet. Detta är en förkortad version av annonsen. Den fullständiga annonsen finns på Uppsala universitets webbplats, uu.se/jobb. Institutionen för informationsteknologi är Uppsala universitets tredje största institution med drygt 350 anställda. Anställningen är placerad vid avdelningen för beräkningsvetenskap (TDB), en av världens största forskningsmiljöer inom beräkningsvetenskap med omfattande verksamhet inom bl.a. maskininlärning, optimering och högprestandaberäkningar, och en viktig del av eSSENCE och SciLifeLab. Den som anställs ingår 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. Projektet etablerar ett nytt fakultetsöverskridande samarbete där ny metodik för simuleringsbaserad inferens utvecklas och tillämpas direkt i realistiska analyser av kolliderardata. Postdoktorn handleds gemensamt av båda grupperna och får stöd för konferensresor samt tillgång till nationella HPC-resurser (NAISS) och lokal GPU-infrastruktur. Anställningen är en del av eSSENCE forskarskola i dataintensiv vetenskap, en arena där experter inom beräkningsvetenskap, datavetenskap och datateknik arbetar nära forskare inom datadrivna vetenskaper, industri och samhälle. eSSENCE är ett strategiskt forskningssamarbete inom e-vetenskap mellan Uppsala universitet, Lunds universitet och Umeå universitet. ProjektbeskrivningSökandet efter mörk materia vid 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 som tar hänsyn till händelseselektion och systematiska osäkerheter, och att demonstrera dem på realistiska sökningar i stor skala. Projektet bygger i första hand på simulerade data, men det finns även möjlighet att arbeta med öppna data från ATLAS och/eller CMS. Metoderna är generella och tillämpliga långt utanför partikelfysiken. Arbetsuppgifter Forskning inom projektet, inklusive metodutveckling, implementering, storskaliga beräkningsexperiment och publicering, samt presentation vid internationella konferenser, bidrag till gruppens öppna programvara, deltagande i eSSENCE forskarskolas aktiviteter och medverkan 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 inom dessa områden. 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 läggs vid personliga egenskaper såsom kreativitet, noggrannhet, ett strukturerat arbetssätt samt förmåga att arbeta både självständigt och i ett tvärvetenskapligt team. Önskvärt/meriterande i övrigt Erfarenhet av simuleringsbaserad inferens, normaliserande flöden, flow matching eller diffusionsmodeller; av partikelfysik (t.ex. MadGraph, Pythia, Delphes eller analys av LHC-data); av storskalig träning på GPU/HPC-system, aktiv inlärning och öppen programvaruutveckling är meriterande, liksom publikationer vid ledande maskininlärningskonferenser eller fysiktidskrifter. Undervisningserfarenhet (t.ex. undervisning, handledning, mentorskap eller andra pedagogiska aktiviteter) är meriterande men inte ett krav; särskild vikt läggs vid aktiviteter som stödjer studenters lärande inom datavetenskap, informationsteknologi eller närliggande ämnen. Ansökan Ansökan ska innehålla: CV; kopia av relevanta betygsdokument (på svenska eller engelska); publikationslista; upp till fem utvalda publikationer i elektroniskt format; en forskningsbeskrivning av tidigare och nuvarande forskning (max 1 sida) samt ett förslag till framtida aktiviteter (max 1 sida); kontaktuppgifter till två referenser. I denna rekrytering har vi ersatt det personliga brevet med frågor som du besvarar i samband med din ansökan. Svaren används som en del i urvalsprocessen.
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]. Välkommen med din ansökan senast torsdagen 15 oktober 2026, UFV-PA 2026/2734.
