Datalogisk Institut (DIKU) inviterer ansøgere til ph.d.-stipendier inden for datalogi.
Dette projekt er en del af projektet 'Differentiable Realism from AI and Modeling' (DREAM), finansieret af Novo Nordisk Fonden.
Startdatoen er (forventes at være) 1. januar 2027 eller hurtigst muligt derefter. Stillingen er på 3 år.
Projektet
Dette ph.d.-projekt vil udvikle simulations-overvågede maskinlæringsmetoder til biologiske data, hvor pålidelige labels er knappe, dyre eller umulige at opnå. Målet er at træne modeller på syntetiske data genereret af biofysiske simulationer ved at udvikle simulationer, der automatisk kan justeres til at være realistiske nok, så de trænede modeller generaliserer til reelle eksperimentelle data.
Projektet vil kombinere differentierbar programmering, biofysisk simulation, differentierbar rendering eller signalgenerering samt maskinlæringsarkitekturer for at reducere simulerings-til-virkelighed-gabet. En central udfordring er at automatisk justere simulationer, så syntetiske datasæt matcher variation, støj og struktur af reelle, ulabelerede biologiske datasæt. Dette vil gøre maskinlæringsmodeller i stand til at lære fra perfekt syntetisk ground truth snarere end fra begrænsede menneskelige annoteringer.
Mulige metodiske retninger inkluderer differentierbare simulationer i JAX eller PyTorch, neurale eller fysikbaserede renderinger, generativ distributionsmatching og domæneadaptation. Den præcise retning for ph.d.-projektet vil blive defineret i dialog med studenten og vil delvist afhænge af vedkommendes interesser og baggrund. Et anvendelsesområde er kromatinorganisering, hvor simulationer af DNA- eller kromatin-struktur kunne understøtte maskinlæringsanalyse af mikroskopidata, herunder segmentering, loop-kvantificering, nukleosom-afstand eller strukturel inferens.
Hvem søges?
KU - SCIENCE - DATALOGISK INSTITUT - UP1 søger stærkt motiverede kandidater med en solid baggrund inden for datalogi, maskinlæring, videnskabelig databehandling, fysik, anvendt matematik eller et nært beslægtet felt.
Relevant erfaring kan omfatte et eller flere af følgende:
- maskinlæring, dyb læring eller generativ modellering
- computersyn eller biologisk billedanalyse
- differentierbar programmering, for eksempel i JAX eller PyTorch
- numerisk simulation, fysikbaseret modellering eller videnskabelig databehandling
- domæneadaptation, generering af syntetiske data eller simulations-til-virkelighed-metoder
- mikroskopidata, biofysiske systemer eller beregningsbiologi.
Sektionen
Projektet vil blive hostet af IMAGE-sektionen, som udfører forskning inden for maskinlæring, computersyn og simulation. Sektionen er en del af Datalogisk Institut, Det Natur- og Biovidenskabelige Fakultet, Københavns Universitet. KU - SCIENCE - DATALOGISK INSTITUT - UP1 er placeret i København.
Ph.d.-vejledere er Julius B. Kirkegaard. E-mail: juki@di.ku.dk og Jon Sporring. E-mail: sporring@di.ku.dk
Nødvendige kvalifikationer for det ordinære program
For at være berettiget til det ordinære ph.d.-program skal du have gennemført en uddannelse svarende til en dansk kandidatgrad (180 ECTS/3 FTE BSc + 120 ECTS/2 FTE MSc) relateret til projektets fagområde, f.eks. [relevante uddannelser]. For information om berettigelse af gennemførte programmer, se Generelle vurderinger for specifikke lande og Vurderingsdatabase.
Ansættelsesvilkår i det ordinære program
Ansættelse som ph.d.-stipendiat er fuldtid og i maksimalt 3 år.
Ansættelse er betinget af vellykket indskrivning som ph.d.-studerende ved Ph.d.-skolen på Det Natur- og Biovidenskabelige Fakultet, Københavns Universitet. Dette kræver indsendelse og accept af en ansøgning til det specifikke projekt formuleret af ansøgeren.
Ansættelses- og betalingsvilkår er i overensstemmelse med aftalen mellem Skatteministeriet og Akademikerne om akademikere i staten. Stillingen er dækket af Protokollen om Stillingsstruktur.
Ansøgnings- og vurderingsprocedure
Din ansøgning inklusive alle bilag skal være på engelsk og indsendes elektronisk ved at klikke på 'ANSØG NU' nedenfor.
Inkluder venligst:
- Motiveret ansøgning (max. én side)
- Originale eksamensbeviser for bachelor eller kandidatgrad og udskrift af karakterer på originalsproget, inklusive en autoriseret engelsk oversættelse, hvis udstedt på et andet sprog end engelsk eller dansk. Hvis ikke færdiggjort, accepteres en certificeret/underskrevet kopi af en nylig udskrift af karakterer eller en skriftlig erklæring fra institutionen eller vejlederen.
- Curriculum vitae, inklusive information om din uddannelse, erfaring, sprogfærdigheder og andre færdigheder relevante for stillingen. Hvis muligt, inkluder også en note om dine karakterer fra eksamensbeviserne.
- Inkluder en publikation, et projekt eller kode, som du er stolt af.
- Kopi af din bachelor- eller kandidatafhandling (hvis tilgængelig).
- Navn, e-mail på reference(r).
- Publikationsliste (hvis tilgængelig).
- Referencebreve (hvis tilgængelige).
Ansøgningsfrist
Ansøgningsfristen er den 15. september 2026, kl. 23:59 CET.
KU - SCIENCE - DATALOGISK INSTITUT - UP1 forbeholder sig ret til ikke at behandle materiale modtaget efter fristen, og ikke at behandle ansøgninger, der ikke lever op til de ovennævnte krav.
Den videre proces
Efter fristens udløb vil et antal ansøgere blive udvalgt til akademisk vurdering af en uvildig ekspertbedømmer. Du vil blive underrettet om, hvorvidt du er gået videre til vurdering.
Bedømmeren vil vurdere de udvalgte ansøgeres kvalifikationer og erfaringer med hensyn til det ovennævnte forskningsområde, teknikker, færdigheder og andre krav. Bedømmeren vil konkludere, hvorvidt hver ansøger er kvalificeret, og i så fald for hvilken af de to modeller. De vurderede ansøgere vil have mulighed for at kommentere på deres vurdering. Du kan læse om rekrutteringsprocessen på http://employment.ku.dk/faculty/recruitment-process/.
Spørgsmål
For specifik information om ph.d.-stipendiet bedes du kontakte hovedvejlederen.
Generel information om ph.d.-studier ved Det Natur- og Biovidenskabelige Fakultet er tilgængelig på Ph.d.-skolens hjemmeside: https://www.science.ku.dk/phd/
Københavns Universitet ønsker at afspejle det omkringliggende samfund og inviterer alle uanset personlig baggrund.
