Väitöskirjatutkijaa - koneoppiminen elektroni–fononi-vuorovaikutusten ja Wannier-pohjaisten Hamiltonien tutkimuksessa

Aalto-yliopistossa tiede ja taide kohtaavat tekniikan ja talouden. Rakennamme kestävää tulevaisuutta saavuttamalla läpimurtoja avainalueillamme ja niiden yhtymäkohdissa. Samalla innostamme tulevaisuuden muutoksentekijöitä ja luomme ratkaisuja maailman suuriin haasteisiin. Yliopistoyhteisöömme kuuluu 14 000 opiskelijaa, 400 professoria ja yli 5000 työntekijää, jotka edustavat yhteensä yli 120 kansalaisuutta.  Kampuksemme sijaitsee Espoon Otaniemessä. Monimuotoisuus on osa meitä, ja teemme jatkuvaa työtä yhteisömme monimuotoisuuden ja syrjimättömyyden varmistamiseksi. Siksi kannustammekin päteviä hakijoita taustasta riippumatta liittymään yhteisöömme. 

Kemian tekniikan korkeakoulu (CHEM) on yksi Aalto-yliopiston kuudesta korkeakoulusta. Sen toiminnassa luonnontieteet ja tekniikka kohtaavat ainutlaatuisella tavalla. Haemme nyt: 

Väitöskirjatutkijaa - koneoppiminen elektroni–fononi-vuorovaikutusten ja Wannier-pohjaisten Hamiltonien tutkimuksessa

ELPH-ML-projekti hakee väitöskirjatutkijaa. Projektia johtaa tohtori Ransell D'Souza Aalto-yliopiston Kemian ja materiaalitieteen laitoksella, sekä Data-driven Atomistic Simulation (DAS) -tutkimusryhmä, jota johtaa professori Miguel Caro samalla laitoksella. Tässä tehtävässä työskentelet Suomen Akatemian (Research Council of Finland) rahoittamassa hankkeessa, jonka tavoitteena on rakentaa koneoppimiseen perustuva viitekehys, joka yhdistää elektroni–fononi-vuorovaikutukset, Wannier-pohjaiset Hamiltonin operaattorit ja fononiominaisuudet funktionaalisissa materiaaleissa. Työskentelet tutkimusryhmän johtajan, tohtori Ransell D'Souzan, ohjauksessa ja teet tiivistä yhteistyötä professori Miguel Caron tutkimusryhmän kanssa. Ryhmän erityisosaamista ovat koneoppimista hyödyntävien atomististen mallinnusmenetelmien kehittäminen sekä niiden soveltaminen kemian, fysiikan ja materiaalitieteen keskeisiin tutkimuskysymyksiin. Yhdessä edistätte keskeistä tieteenalaa, jolla on suora vaikutus merkittäviin teknologisiin ja yhteiskunnallisiin sovelluksiin, kuten termoelektriseen energian talteenottoon ja seuraavan sukupolven kaasuantureiden kehittämiseen. Projektilla on käytössään huippuluokan supertietokoneresursseja (CSC:n Puhti, Mahti ja LUMI), ja se on hyvin integroitunut kansainvälisiin elektronirakenne- ja koneoppimisyhteisöihin. Lisätietoja tehtävästä antaa Dr. Ransell D'Souza  rdsouza@sissa.it. Lue alla oleva kuvaus kokonaan ennen kuin otat suoraan yhteyttä sähköpostitse.

Tehtävä ja tavoitteet

Kehität datalähtöisiä ja koneoppimiseen perustuvia menetelmäkokonaisuuksia Wannier-Hamiltonien, fononiominaisuuksien sekä elektroni–fononi-kytkennän ennustamiseen kerroksellisissa siirtymämetallidikalkogenideissä (TMDC-yhdisteissä), kuten MoS₂:ssa, WS₂:ssa, MoSe₂:ssa, WSe₂:ssa ja WTe₂:ssa. Koneoppimismallien kouluttamista varten tuotat aineistoja elektronirakenneteoriaan perustuvilla laskelmilla hyödyntäen ohjelmistoja Quantum ESPRESSO, Wannier90 ja EPW. Sovellat kehitettyä E(3)-ekvivarianttia tekoälykehystä kaistojen konvergenssi-ilmiöiden vaikutusten kvantifiointiin termoelektrisessä kuljetuksessa (Seebeckin kerroin, sähkönjohtavuus, ZT-arvo) sekä mallinnat kaasujen adsorptiovaikutuksia (NH₃, CO, CO₂), jotka ovat merkityksellisiä seuraavan sukupolven kaksiulotteisille kaasuantureille. Hallinnoit laajamittaisia simulaatioita, joita ajetaan maailmanluokan supertietokoneympäristöissä, yhdessä tekoälyalgoritmien ja data-analytiikkatyökalujen kanssa, sekä jaat tutkimustuloksesi kokeellisten yhteistyökumppaneiden kanssa. Tehtävä on osa Suomen Akatemian rahoittamaa ELPH-ML-projektia (https://research.fi/en/results/funding/88752). Aalto-yliopiston akateemisten kurssien avulla, tuemme sinua kilpailukykyisen ja kansainvälisen uraprofiilin rakentamisessa.  

Odotamme sinulta

Toivotamme tervetulleiksi hakijat, joilla on ylempi korkeakoulututkinto (maisteri) (laskennallisessa) kemiassa, fysiikassa tai materiaalitieteessä ja jotka ovat kiinnostuneita soveltavasta koneoppimisesta luonnontieteissä. Aiempi koneoppimis- tai Python-kokemus on vahva etu, mutta ei pakollinen. Etsimme kollegoita, jotka nauttivat koodaamisesta, skriptauksesta ja analytiikasta, ja jotka haluavat viedä eteenpäin data-pohjaista materiaalitiedettä ja koneoppimista atomistisissa simulaatioissa. Tämä projekti edellyttää luovaa ajattelua ja ohjelmointia sekä teknistä asiantuntemusta materiaalisimulaatioissa, elektroni–fononi-fysiikassa ja koneoppimisessa. Arvostamme lisäksi halukkuutta matkustaa, opettaa ja mentoroida sekä tehdä yhteistyötä sekä viestiä tieteestä.

Odotamme sinulta:

• Maisterin tutkinto (tai vastaava*) kemiassa, fysiikassa, materiaalitieteessä, matematiikassa, tietojenkäsittelytieteessä tai vastaavalla alalla. (*Sinulla tulee olla tutkinto, joka antaa hakukelpoisuuden tohtoriopintoihin, esim. 1st hons BSc Iso-Britanniassa on myös kelvollinen)

• Aiempaa ohjelmointikokemusta, erityisesti Pythonilla. Sinun ei tarvitse olla ohjelmoinnin asiantuntija, tarvitset kuitenkin jonkun verran käytännön kokemusta. Huomaa, että edistyneempiä ohjelmointitaitoja on mahdollista kehittää tohtoriopintojen aikana.

• Vahva kiinnostus atomistisiin simulaatioihin, koneoppimiseen sekä tieteelliseen metodiin ja ohjelmistokehitykseen.

• Englannin kielen taito (kirjallinen ja suullinen).

Kokemusta jostakin seuraavista (suositeltavaa):

• Elektronirakenneohjelmistot (esim. Quantum ESPRESSO).

• Molekyylidynamiikkaohjelmistot (esim. LAMMPS).

• Koneoppimispohjaiset atomien väliset potentiaalit (esim. GAP, MACE, NequIP).

• Koneoppimiskirjastot ja -kehykset, kuten Scikit-learn, TensorFlow tai PyTorch, sekä e3nn_jax.

• Jos sinulla on kokemusta muunlaisista mallinnustyökaluista (esim. Boltzmannin kuljetusyhtälöiden ratkaisijat, fononikoodit kuten Phono3py/ShengBTE), mainitse se hakemuskirjeessäsi.

Hakijoiden tulee täyttää Aalto-yliopiston kemian tekniikan tohtoriohjelman hakukelpoisuusehdot. Lisätietoa yleisistä vaatimuksista ja hakuprosessista tohtoriopintoihin on saatavilla osoitteessa: Kemian tekniikan tohtoriohjelma | Aalto-yliopisto 

Lisätietoja tehtävästä ja hakuohjeet löytyvät englanninkielisestä ilmoituksesta.