R1.2 Können wir neuronale Operatoren beim Aufbau von GridFM nutzen?
19 März 2026
100%
Zurich
Über den Job
PhD-Position, Foundation-Modelle für das Stromnetz der Zukunft100 %, Zürich, befristetDas Stromsystem verändert sich, hauptsächlich getrieben durch die Energiewende und den Klimawandel. Die großen Anteile erneuerbarer Energien, sowohl zentralisiert als auch dezentralisiert, stellen neue Herausforderungen für den Systembetrieb dar, die noch nicht vollständig verstanden sind. In diesem Zusammenhang ist offensichtlich, dass der Betrieb, die Steuerung und die Planung von Stromsystemen bald an ihre Grenzen stoßen werden. Daher sind neue rechnerische Methoden und Ansätze erforderlich, um die Herausforderungen durch erhöhte Unsicherheit und Komplexität besser zu bewältigen. Methoden des maschinellen Lernens (ML) und der künstlichen Intelligenz (KI) haben sich für solche Zwecke in einem breiten Spektrum von Branchen als vielversprechend erwiesen, mit bedeutenden Durchbrüchen in der Computer Vision, der Verarbeitung natürlicher Sprache und der intelligenten Steuerung. Dieses Promotionsprojekt zielt darauf ab, Foundation-Modelle (FMs) für das Stromnetz zu entwickeln. FMs sind fortgeschrittene KI-Modelle, die durch selbstüberwachtes Lernen entwickelt werden, meist basierend auf Transformer-Architekturen, die nach der anfänglichen Schulung an großen Datensätzen über verschiedene Aufgaben generalisieren und eine effiziente Anpassung an spezifische Anwendungen mit minimal annotierten Daten ermöglichen.Die Ziele dieses Promotionsprojekts sind:Entwicklung skalierbarer Foundation-Modelle für das Stromnetz (GridFM). Feinabstimmung der Modelle für verschiedene nachgelagerte Aufgaben. Bewertung des Anwendungspotenzials in Zusammenarbeit mit der Industrie. Projekt-HintergrundDiese Arbeit zielt darauf ab, folgende Forschungsfragen zu beantworten:R1: Welches ML-Konzept ist am vielversprechendsten für die Entwicklung eines GridFM? Insbesondere soll untersucht werden:R1.1 Kann physik-informiertes Lernen eine Rolle beim Aufbau von GridFM spielen?R1.2 Können wir neuronale Operatoren beim Aufbau von GridFM nutzen?R1.3 Können wir Verstärkendes Lernen (RL) beim Aufbau von GridFM einsetzen?Für Letzteres wird untersucht, ob aktuelle LLM-Architekturen (z. B. ChatGPT und DeepSeek), die auf RL basieren, auch zur Entwicklung einer robusten GridFM-Architektur verwendet werden können.R2: Wie kann das Mixture-of-Experts-(MoE)-Paradigma beim Aufbau von GridFM genutzt werden? Der aktuelle Erfolg von DeepSeek hat gezeigt, dass die MoE-Transformer-Architektur die Inferenz-Effizienz und Modellskalierbarkeit erheblich verbessern kann. Die Entwicklung und Erprobung einer solchen Architektur wird für die Entwicklung von GridFM entscheidend sein.R3: Welche nachgelagerten Aufgaben profitieren am meisten? Die Arbeit wird eine Reihe verwandter Aufgaben im Stromsystem identifizieren, für die ein einzelnes MoE entwickelt wird.Zusätzliche Forschungsfragen:R4: Welche Datensätze und Datenstrukturen sind für GridFM am vorteilhaftesten? Die Arbeit wird zur Sammlung und Generierung von realen und synthetischen Datensätzen beitragen. Diese Daten sollen reale Bedingungen besser widerspiegeln und gleichzeitig die Anwendbarkeit auf verschiedene operative Planungs- und Optimierungsaufgaben sicherstellen.Die Arbeit wird mit derzeit entwickelten oder in Entwicklung befindlichen Werkzeugen am RRE durchgeführt. Insbesondere wird zunächst der PowerGraph-Datensatz verwendet und weiter ausgebaut. Das aktuelle Modellierungswerkzeug für Netzanalysen, Cascades und seine Surrogate, entwickelt mit graphbasierten neuronalen Netzen (GNN), dient als Ausgangspunkt für zukünftige Modellierungsentwicklungen. Darüber hinaus wird der Kandidat unsere Erfahrungen und Modelle nutzen, die mit RL und physik-informierten neuronalen Netzen entwickelt wurden. Diese Arbeit profitiert zudem von unseren laufenden Kooperationen mit IBM und anderen Partnern.StellenbeschreibungDas Promotionsprojekt zielt darauf ab, KI-Foundation-Modelle der nächsten Generation für das Stromnetz zu entwickeln, um eine sichere und nachhaltige Energiewende zu unterstützen. Der Kandidat wird großskalige maschinelle Lernmodelle entwickeln und anpassen, die über mehrere Aufgaben im Stromsystem generalisieren, einschließlich Betrieb, Planung und Risikobewertung. Die Arbeit umfasst die Entwicklung neuer Datenressourcen, das Design skalierbarer KI-Architekturen und die Bewertung ihrer Anwendbarkeit in der Praxis in Zusammenarbeit mit Industriepartnern. Das Projekt liegt an der Schnittstelle von Energietechnik und künstlicher Intelligenz und trägt zu zuverlässigen, resilienten und kohlenstoffarmen Energiesystemen bei.ProfilWir suchen einen Kandidaten mit einem MSc-Abschluss (oder kurz vor dem Abschluss) in Energietechnik, Informatik oder einem verwandten Fachgebiet. Der Kandidat verfügt über einen soliden quantitativen Hintergrund entweder in der Analyse von Stromsystemen oder im maschinellen Lernen (Kenntnisse in beiden Bereichen sind ideal, aber nicht erforderlich). Erfahrung in der Programmierung mit Python (oder ähnlichen Sprachen) und Vertrautheit mit datengetriebenen Modellierungsansätzen sind von Vorteil. Der Kandidat sollte stark motiviert sein, an der Schnittstelle von Stromsystemen und fortgeschrittener KI zu arbeiten, ausgeprägte analytische und problemlösende Fähigkeiten besitzen und in der Lage sein, selbstständig in einem interdisziplinären Forschungsumfeld zu arbeiten. Hervorragende schriftliche und mündliche Englischkenntnisse sind erforderlich.ArbeitsplatzArbeitsplatzWir bietenVollfinanzierte Stelle mit wettbewerbsfähigem Gehalt nach ETH-Standards Zugang zu modernster Recheninfrastruktur Interdisziplinäres und internationales Forschungsumfeld Perspektiven für die berufliche Entwicklung Internationale Teamkultur und Teamzusammensetzung Wir schätzen Vielfalt und NachhaltigkeitNeugierig? Wir auch.Wir freuen uns auf Ihre Online-Bewerbung mit folgenden Unterlagen:Lebenslauf Anschreiben Zeugnisse BSc/MSc Weitere Informationen über RRE finden Sie auf unserer Website.Bitte beachten Sie, dass wir ausschließlich Bewerbungen über unser Online-Bewerbungsportal akzeptieren. Bewerbungen per E-Mail oder Post werden nicht berücksichtigt.Wir möchten darauf hinweisen, dass die Vorauswahl von den zuständigen Recruitern und nicht von künstlicher Intelligenz durchgeführt wird.Über die ETH ZürichNeugierig? Wir auch.Wir freuen uns auf Ihre Online-Bewerbung mit folgenden Unterlagen:Lebenslauf Anschreiben Zeugnisse BSc/MSc Weitere Informationen über RRE finden Sie auf unserer Website.Bitte beachten Sie, dass wir ausschließlich Bewerbungen über unser Online-Bewerbungsportal akzeptieren. Bewerbungen per E-Mail oder Post werden nicht berücksichtigt.Wir möchten darauf hinweisen, dass die Vorauswahl von den zuständigen Recruitern und nicht von künstlicher Intelligenz durchgeführt wird.
Lohnrechner
Probier unseren Lohnrechner aus, um besser zu verstehen, was du als anstreben kannst.
