Doktorand: ML-driven kärnbränslemodellering

Uppsala Universitet; Uppsala kommun; On-site; SEK 335,000 - 402,000; Full time

Job summary

Uppsala universitet söker en doktorand i modellering av kärnbränsleprestanda med maskininlärning inom Institutionen för fysik och astronomi, Avdelningen för tillämpad kärnfysik. Du kommer att arbeta i ett nära samarbete mellan akademi och industri och utveckla snabba, robusta beräkningsmetoder för kärnbränsleprestanda.

Arbetsuppgifterna omfattar forskning och kurser i doktorsutbildningen, med fokus på kalibrering, osäkerhetskvantifiering och tidsberoende ML-modeller för olika bränslledesigner

Qualifications

• Doktorandanställningen kräver avlagt examensarbete på avancerad nivå inom relevant område eller motsvarande kunskap.
• Goda kunskaper i fysik, numeriska metoder, statistik och/eller maskininlärning.
• God programmeringsförmåga, exempelvis i Python, Julia, C++ eller motsvarande.

Responsibilities

• Forskarutbildning inom projektet och kursavslutande forskning inom kärnbränsleprestanda.
• Utveckling, implementering och utvärdering av statistiska och maskininlärningsbaserade kalibrerings- och simuleringmetoder.
• Arbeta upp emot 20 procent undervisning/institutionstjänstgöring.
• Generera och analysera tränings- och valideringsdata för breda effekthistorier och driftförhållanden.
• Sammanställa, publicera och presentera forskningsresultat samt delta i seminarier.

Skills

Fysik

Numeriska metoder

Statistik

Maskininlärning

Python

Julia

C++

Education

Avancerad nivå inom teknisk fysik / kärnteknik

240 högskolepoäng varav 60 på avancerad nivå

Tools

Python

Julia

C++

Job description

Uppsala universitet söker en doktorand i modellering av kärnbränsleprestanda med maskininlärning inom Institutionen för fysik och astronomi, Avdelningen för tillämpad kärnfysik. Du kommer att arbeta i ett nära samarbete mellan akademi och industri och utveckla snabba, robusta beräkningsmetoder för kärnbränsleprestanda.

Arbetsuppgifterna omfattar forskning och kurser i doktorsutbildningen, med fokus på kalibrering, osäkerhetskvantifiering och tidsberoende ML-modeller för olika bränslledesigner