Doktorand i multimodal maskininlärning för energilagringsmaterial

Institutionen för kemi - Ångström bedriver forskning och utbildning inom kemiämnet. Institutionen har 270 anställda och omsätter 300 miljoner kronor. Vid institutionens sex program bedrivs mycket framgångsrik forskning av hög internationell klass. Vi har ett stort antal externt finansierade forskningsprojekt, ofta med internationellt samarbete och vi ser en fortsatt god tillväxt inom vårt ämnesområde. Institutionen har utbildningsuppdrag inom ingenjörs- och civilingenjörsprogram samt masterprogram.  Projektbeskrivning  Utvecklingen av framtidens energilagringsmaterial vilar på en grundläggande förståelse för hur deras kemiska sammansättning och struktur förändras under drift i tillämpningarna. Ingen enskild metod kan fånga hela bilden. I stället får forskaren förlita sig på flera komplementära tekniker, som var för sig ger en ofullständig och indirekt bild av samma underliggande process och som traditionellt tolkas manuellt och var för sig. Multimodal maskininlärning erbjuder ett principiellt alternativ: att integrera heterogena dataströmmar från både experiment och simuleringar i en gemensam, fysikaliskt förankrad modell. Projektets fokus är att utveckla ett sådant ramverk och att tillämpa det specifikt på elektrod/elektrolytgränsskikt i batterier, där ytkänsliga röntgenspridningstekniker (röntgenreflektometri, GISAXS och GIWAXS) och elektrokemisk kvartskristallmikrovåg med dissipationsmätning (EQCM-D) kombineras i operando-experiment. Kärnan i metodiken är dataassimilering, där gränsskiktets underliggande egenskaper (massa, volym, densitet, porositet och morfologi) behandlas som ett latent tillstånd som utvecklas i tiden, och där varje mätteknik bidrar med en brusig och ofullständig observation via sin egen framåtmodell. Arbetet omfattar sekventiell Bayesiansk inferens, djupa tillståndsrumsmodeller och osäkerhetsmedvetna representationer som tränas på både experimentella data och simuleringar, exempelvis fasfältssimuleringar av metallnukleering och -tillväxt kopplade till lattice-Boltzmann-modellering av kvartskristallens akustiska respons. Maskininlärningsaccelererade surrogatmodeller gör dessa simuleringar tillräckligt snabba för att fungera som transitions- och observationsoperatorer i inferensmotorn. Slutligen analyseras det inlärda latenta rummet för att utvinna fysikalisk innebörd, och modellernas generativa förmåga utnyttjas för att översätta data mellan teknikerna. Målet är en tolkbar och osäkerhetskvantifierad modell av hur gränsskikt bildas och växer, som fördjupar förståelsen av metallutfällning och ytpassivering i Li-, Zn- och Cu-baserade system och som är överförbar till andra material och analystekniker. Doktorandens uppgift är att utveckla och implementera detta ramverk i ett nära samarbete mellan kemi och datavetenskap vid Uppsala universitet samt tillsammans med våra tyska partners. I arbetet ingår att bygga och validera inferens- och simuleringspipelines, att aktivt delta i planering och genomförande av operando-experiment – inklusive mättillfällen vid synkrotronanläggningen PETRA III (DESY, Hamburg) – och att bygga djup expertis inom probabilistisk maskininlärning, dataassimilering, vetenskapliga beräkningar och analys av elektrokemiska gränsskikt. Fokus för doktoranden är forskning. Visst undervisningsansvar kan tilldelas men kommer inte att överstiga 20 % av den totala arbetstiden. Doktoranden läser även forskarutbildningskurser som är nära kopplade till projektets forskningsteman. Vi letar efter en mycket motiverad person som kommer att bidra till högkvalitativt vetenskapligt arbete i en multidisciplinär forskarmiljö, som syftar till att publicera resultat i ledande vetenskapliga tidskrifter och presentera dem vid både nationella och internationella konferenser. Kvalifikationskrav   Den sökande ska ha:  avlagt examen på avancerad nivå eller  fullgjort kursfordringar om minst 240 högskolepoäng, varav minst 60 högskolepoäng på avancerad nivå (varav 15 högskolepoäng utgör självständigt arbete), med innehåll som är relevant för forskarutbildningen eller  på något annat sätt inom eller utom landet förvärvat i huvudsak motsvarande kunskaper  mycket goda kunskaper i engelska, i tal och skrift. examen på avancerad nivå eller motsvarande enligt ovan inom kemi, materialvetenskap, datavetenskap, tillämpad matematik, teknisk fysik eller ett relaterat område. förmågan att uttrycka dig tydligt, dokumentera ditt arbete och bidra till det gemensamma i en forskningsmiljö. Stor vikt kommer också att läggas vid personliga egenskaper såsom god samarbetsförmåga, driv och självständighet samt hur den sökande genom sin erfarenhet och kompetens bedöms ha den förmåga som behövs för att klara forskarutbildningen. Önskvärt/meriterande i övrigt Praktisk erfarenhet av probabilistisk maskininlärning, Bayesiansk inferens, generativa modeller, dataassimilering eller vetenskapliga beräkningar är meriterande, liksom goda programmeringskunskaper (t.ex. Python, PyTorch eller JAX). Erfarenhet av elektrokemi, batteriforskning, röntgenspridningstekniker eller analys av experimentella tidsseriedata är också en fördel. Om anställningen  Anställningen är tidsbegränsad, enligt HF 5 kap § 7. Omfattningen är heltid. Tillträde 2026-10-01 eller enligt överenskommelse. Placeringsort: Kemi-Ångström Bestämmelser för doktorander återfinns i Högskoleförordningen 5 kap §§ 1-7 samt i universitetets regler och riktlinjer. Upplysningar om anställningen lämnas av: Prof. Erik Berg (erik.berg@kemi.uu.se) Välkommen med din ansökan senast den 11 september 2026, UFV-PA 2026/2414. 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.  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 - saco-s@uu.se, Seko - seko@uadm.uu.se, ST (OFR/S) - ofr@uu.se