R1.2 Pouvons-nous exploiter les opérateurs neuronaux pour construire GridFM ?

19 mars 2026
100%
Zurich

À propos de cette offre

Poste de doctorat, Modèles fondamentaux pour le réseau électrique du futur100%, Zurich, contrat à durée déterminéeLe système électrique évolue, principalement sous l'effet de la transition énergétique et du changement climatique. La forte part des énergies renouvelables, à la fois centralisées et distribuées, pose de nouveaux défis aux opérations du système qui restent à comprendre pleinement. Dans ce contexte, il est évident que l'exploitation, le contrôle et la planification des systèmes électriques seront bientôt poussés à leurs limites. Par conséquent, de nouvelles méthodes et approches computationnelles sont nécessaires pour mieux relever les défis posés par l'incertitude et la complexité accrues. Les méthodes d'apprentissage automatique (ML) et d'intelligence artificielle (IA) ont montré leur potentiel à ces fins dans un large éventail d'industries, avec des avancées significatives en vision par ordinateur, traitement du langage naturel et contrôle intelligent. Ce projet de doctorat vise à développer des modèles fondamentaux (FMs) pour le réseau électrique. Les FMs sont des modèles d'IA avancés développés par apprentissage auto-supervisé, le plus souvent basés sur des architectures de transformeurs, qui généralisent à travers diverses tâches après un entraînement initial sur de grands ensembles de données, permettant une adaptation efficace à des applications spécifiques avec un minimum de données annotées.Les objectifs de ce projet de recherche doctoral sont :Développer des modèles fondamentaux évolutifs pour le réseau électrique (GridFM). Affiner les modèles pour une variété de tâches en aval. Évaluer leur potentiel d'application en coopération avec l'industrie. Contexte du projetCette thèse vise à répondre aux questions de recherche suivantes :R1 : Quel concept de ML est le plus prometteur pour développer un GridFM ? En particulier, la thèse vise à étudier :R1.1 L'apprentissage informé par la physique peut-il jouer un rôle dans la construction de GridFM ?R1.2 Pouvons-nous exploiter les opérateurs neuronaux pour construire GridFM ?R1.3 Pouvons-nous tirer parti de l'apprentissage par renforcement (RL) pour construire GridFM ?Pour ce dernier point, la thèse examinera si les architectures actuelles de LLM (par exemple, ChatGPT et DeepSeek), qui reposent sur le RL, peuvent également être utilisées pour développer une architecture GridFM robuste.R2 : Comment le paradigme du mélange d'experts (MoE) peut-il être utilisé pour construire GridFM ? Le succès actuel de DeepSeek a démontré que l'architecture MoE Transformer peut améliorer significativement l'efficacité de l'inférence et la scalabilité du modèle. Développer et tester une telle architecture sera crucial pour le développement de GridFM.R3 : Quelles tâches en aval bénéficieront le plus ? La thèse identifiera un ensemble de tâches liées au système électrique pour lesquelles un MoE unique sera développé.Questions de recherche supplémentaires :R4 : Quels ensembles de données et structures de données seront les plus bénéfiques pour GridFM ? Les thèses contribueront à la collecte et à la génération d'ensembles de données réels et synthétiques, respectivement. Ces données viseront à mieux refléter les conditions réelles tout en assurant l'applicabilité à diverses tâches opérationnelles de planification et d'optimisation.Ce travail sera réalisé en utilisant des outils actuellement développés ou en cours de développement à RRE. Notamment, l'ensemble de données PowerGraph sera initialement utilisé puis étendu. L'outil de modélisation actuel pour les analyses de réseau, Cascades et ses substituts, développés à l'aide de réseaux neuronaux graphiques (GNN), servira de point de départ pour les développements futurs. De plus, le candidat s'appuiera sur notre expérience et les modèles développés utilisant le RL et les réseaux neuronaux informés par la physique. Ce travail bénéficiera également de nos collaborations en cours avec IBM et d'autres partenaires.Description du posteLe projet de doctorat vise à développer des modèles fondamentaux d'IA de nouvelle génération pour le réseau électrique afin de soutenir une transition énergétique sécurisée et durable. Le candidat construira et adaptera des modèles d'apprentissage automatique à grande échelle qui généralisent à travers plusieurs tâches du système électrique, y compris les opérations, la planification et l'évaluation des risques. Le travail comprend le développement de nouvelles ressources de données, la conception d'architectures d'IA évolutives et l'évaluation de leur applicabilité dans le monde réel en collaboration avec les acteurs industriels. Le projet se situe à l'intersection du génie électrique et de l'intelligence artificielle, contribuant à des systèmes énergétiques fiables, résilients et à faible émission de carbone. ProfilNous recherchons un candidat titulaire d'un MSc (ou proche de l'obtention) en génie électrique, informatique ou dans un domaine connexe. Le candidat possède une solide formation quantitative soit en analyse des systèmes électriques, soit en apprentissage automatique (la connaissance des deux est idéale mais pas obligatoire). Une expérience en programmation Python (ou langages similaires) et une familiarité avec les approches de modélisation basées sur les données sont un plus. Le candidat doit être fortement motivé pour travailler à l'interface des systèmes électriques et de l'IA avancée, démontrer de solides compétences analytiques et en résolution de problèmes, et être capable de travailler de manière autonome dans un environnement de recherche interdisciplinaire. Un excellent anglais écrit et parlé est requis. Lieu de travailLieu de travailNous offronsPoste entièrement financé avec un salaire compétitif selon les standards de l'ETH Accès à une infrastructure informatique de pointe Environnement de recherche interdisciplinaire et international Perspectives de développement de carrière Culture d'équipe internationale et composition d'équipe Nous valorisons la diversité et la durabilitéCurieux ? Nous aussi.Nous attendons avec impatience votre candidature en ligne accompagnée des documents suivants :CV Lettre de motivation Relevés de notes BSc/MSc Plus d'informations sur RRE sont disponibles sur notre site web.Veuillez noter que nous n'acceptons que les candidatures soumises via notre portail de candidature en ligne. Les candidatures par email ou courrier postal ne seront pas prises en compte.Nous tenons à souligner que la présélection est effectuée par les recruteurs responsables et non par une intelligence artificielle.A propos de l'ETH ZürichCurieux ? Nous aussi.Nous attendons avec impatience votre candidature en ligne accompagnée des documents suivants :CV Lettre de motivation Relevés de notes BSc/MSc Plus d'informations sur RRE sont disponibles sur notre site web.Veuillez noter que nous n'acceptons que les candidatures soumises via notre portail de candidature en ligne. Les candidatures par email ou courrier postal ne seront pas prises en compte.Nous tenons à souligner que la présélection est effectuée par les recruteurs responsables et non par une intelligence artificielle

R1.2 Pouvons-nous exploiter les opérateurs neuronaux pour construire GridFM ?

À propos de cette offre

Estimateur de salaire