PhD-Stelle in hierarchischen Graph-Neuronalen Netzen für mehrskalige urbane Energiesysteme
Empa, Materials Science and Technology
Dübendorf
Auf einen Blick
- Veröffentlicht:09 Oktober 2025
- Pensum:100%
- Vertragsart:Festanstellung
- Arbeitsort:Dübendorf
Job-Zusammenfassung
Empa bietet eine PhD-Stelle im Bereich Graph Neural Networks. Hier arbeiten Sie an innovativen urbanen Energiesystemen.
Aufgaben
- Entwicklung von hierarchischen Graph Neural Network Architekturen.
- Modellierung von städtischen Energiesystemen über verschiedene Skalen.
- Zusammenarbeit mit interdisziplinären Teams und Partnern.
Fähigkeiten
- Masterabschluss in Ingenieurwesen, Informatik oder verwandten Bereichen.
- Starke analytische Fähigkeiten und Kenntnisse in Deep Learning.
- Kreativität und Problemlösungsfähigkeiten in interdisziplinären Umfeldern.
Ist das hilfreich?
Materialwissenschaft und -technologie sind unsere Leidenschaft. Mit unserer Spitzenforschung leisten die rund 1.100 Mitarbeitenden der Empa wesentliche Beiträge zum Wohl der Gesellschaft für eine lebenswerte Zukunft. Die Empa ist eine Forschungseinrichtung des ETH-Bereichs.
PhD-Stelle in hierarchischen Graph-Neuronalen Netzen für mehrskalige urbane Energiesysteme
Das Urban Energy Systems Laboratory (UESL) entwickelt Strategien, Lösungen und Methoden zur Unterstützung der Entwicklung nachhaltiger, widerstandsfähiger und gerechter urbaner Energiesysteme. Unsere Arbeit verbindet Technologie und Politik mit Systemdenken und praktischer Umsetzung, stets basierend auf realen urbanen Herausforderungen.
Diese PhD-Stelle wird in Zusammenarbeit mit dem Intelligent Maintenance and Operations Systems (IMOS) Laboratory an der EPFL (Prof. Olga Fink) angeboten. IMOS konzentriert sich auf die Entwicklung intelligenter Algorithmen zur Verbesserung der Leistung, Zuverlässigkeit und Verfügbarkeit komplexer industrieller Systeme und macht Wartungsstrategien kosteneffizienter.
Gemeinsam suchen UESL und IMOS eine motivierte und qualifizierte Doktorandin bzw. einen motivierten und qualifizierten Doktoranden, um den Einsatz hierarchischer Graph-Neuronaler Netze für die Modellierung mehrskaliger urbaner Energiesysteme voranzutreiben. Durch die Kombination von Fortschritten im Physics-Informed Machine Learning (PIML) und Graph Neural Networks (GNNs) mit realen Energieanwendungen zielt das Projekt darauf ab, die Dynamik urbaner Infrastrukturen über verschiedene räumliche und zeitliche Skalen besser abzubilden, von der Energiebedarfsplanung auf Gebäudeebene bis hin zu Interaktionen auf Bezirksebene und deren Integration in größere Energienetze.
Ihre Aufgaben
Der Schwerpunkt dieser Forschung liegt auf der Gestaltung und Entwicklung (physics-informed) hierarchischer Graph-Neuronaler Netzwerkarchitekturen, die die Komplexität mehrskaliger urbaner Energieinfrastrukturen erfassen können. Die Doktorarbeit wird erforschen, wie diese Modelle räumliche und zeitliche Abhängigkeiten in Systemen wie dem Energiebedarf von Gebäuden, Fernwärme und -kühlung, Speicherlösungen und lokalen Stromnetzen darstellen können. Ein zentrales Ziel ist es, methodische Innovationen im Deep Learning in praktische Werkzeuge für nachhaltige urbane Energiesysteme zu übersetzen und Anwendungen in Prognose, Systemoptimierung, Flexibilitätsmanagement und Resilienzanalysen zu unterstützen. Die Arbeit erfolgt in enger Zusammenarbeit mit unseren interdisziplinären Teams bei Empa und EPFL sowie externen akademischen und industriellen Partnern.
Ihr Profil
Sie sind eine hochmotivierte und talentierte Kandidatin bzw. ein hochmotivierter und talentierter Kandidat mit einem Masterabschluss in Ingenieurwissenschaften, Regelungstechnik, Informatik, Physik, Angewandter Mathematik oder einem verwandten Fachgebiet. Sie bringen einen starken analytischen Hintergrund mit und sind versiert in Bereichen wie geometrischem Deep Learning, Signalverarbeitung, Statistik oder Lerntheorie. Kenntnisse in Energiesystemen, Multi-Energie-Infrastrukturen oder urbanen Energieanwendungen sind von großem Vorteil. Sie sind selbstständig, kreativ und verfügen über ausgeprägte Problemlösungsfähigkeiten sowie die Fähigkeit, in einem interdisziplinären Umfeld zu arbeiten. Gute Englischkenntnisse in Wort und Schrift sind erforderlich; gute Deutschkenntnisse in Wort und Verständnis sind wünschenswert.
Unser Angebot
Wir bieten eine vielseitige und herausfordernde PhD-Stelle in einem modernen Forschungsumfeld mit ausgezeichneter Infrastruktur. Die Kandidatin bzw. der Kandidat profitiert von einer gemeinsamen Betreuung durch Prof. Olga Fink (EPFL IMOS) und das UESL-Team der Empa, die Spitzenerfahrung im maschinellen Lernen und in der Modellierung von Energiesystemen mit starken Verbindungen zu akademischen und industriellen Partnern vereint. Die Promotion soll formal an der EPFL eingeschrieben werden. Der ideale Starttermin ist November 2025 oder nach Vereinbarung.
Wir leben eine Kultur der Inklusion und des Respekts. Wir begrüßen alle Menschen, die an innovativen, nachhaltigen und sinnvollen Tätigkeiten interessiert sind – das ist, was zählt.
Wir freuen uns auf Ihre vollständige Online-Bewerbung inklusive Motivationsschreiben, aktuellem Lebenslauf, Zeugnissen aller erworbenen Abschlüsse (in Englisch), einer kurzen Forschungsbeschreibung (eine Seite), in der Sie Ihre Projektidee im Bereich physics-informed Deep Learning Algorithmen darstellen, sowie einer Publikation (z.B. MSc-Arbeit oder vorzugsweise eine Konferenz-/Journal-Publikation, ein Link genügt). Bitte reichen Sie diese ausschließlich über unser Jobportal ein. Bewerbungen per E-Mail oder Post werden nicht berücksichtigt.
