Syddansk Universitet, herunder Data Science and Statistics Section ved Institut for Matematik og Datalogi (IMADA), inviterer til ansøgninger til en postdoc-stilling inden for kvantiseret reinforcement learning. Stillingen er placeret ved SDU Adaptive Intelligence Lab (ADIN Lab) (https://adinlab.github.io/). Den kan besættes senest den 1. november 2026 og er for en periode på to år.
Om Projektet:
Projektet fokuserer på den teoretiske fundering og algoritmisk realisering af "embodied quantization" – en undersøgelse af, hvordan kontinuerlige sanseinput destilleres til diskrete tokens (såsom koncepter og objekter) for at lette kontrol i komplekse miljøer.
Nøgleopgaver inkluderer at bygge bro mellem højkapacitets generative repræsentationer og diskrete verdensmodeller med ikke-stationær, risikofølsom reinforcement learning-teori. For at opnå dette skal kandidaten udvikle usikkerhedsbevidste sparsomme verdensmodeller (f.eks. via evidential learning) og bevise garantier for endelige stikprøver eller regret under ikke-stationære latente tilstandsrum. Disse algoritmer valideres ved at bygge skalerbare prototyper og benchmarking på tværs af højdimensionelle simulationssuiter.
Forskermiljø:
IMADA samler på en unik måde matematikere og dataloger inden for ét og samme institut for at fremme teoretisk velfunderet datavidenskabelig forskning af høj kvalitet. Instituttet huser adskillige eksternt finansierede forskningsprojekter, og Data Science and Statistics Group fungerer som en levende synergiplatform for eksperter på tværs af felter. Den succesrige kandidat vil blive en del af ADIN Lab, samarbejde om publikationer på topkonferencer (NeurIPS, ICML, ICLR, AISTATS) og varetage almindelige undervisningsassistentopgaver.
Forventede kompetencer og kvalifikationer:
Syddansk Universitet søger en kandidat med et stærkt ønske om at yde betydelige bidrag til grundlæggende maskinlæringsforskning, der besidder en kombination af matematisk modenhed og avancerede ingeniørfærdigheder:
Uddannelse: En ph.d.-grad i datalogi, matematik, statistik eller teoretisk fysik på ansættelsestidspunktet.
Publikationshistorik: Mindst to første-forfatter forskningsartikler på flagskibsfora inden for kernemaskininlæringsforskning (f.eks. NeurIPS, ICML, ICLR, AISTATS).
Teoretisk stringens: En dyb forståelse af statistisk læringsteori og grundlag for reinforcement learning, med evnen til at udføre ydeevne-, konvergens- eller regret-bound-analyse (f.eks. optimistisk posterior sampling) i diskrete eller latente ikke-stationære miljøer.
Implementeringskompetence: Fremragende videnskabelige programmeringsfærdigheder (Python, PyTorch/JAX) med en dokumenteret track record i at udvikle, fejlfinde og skalere dybe generative modeller, diskrete kodebogsverdensmodeller eller komplekse RL-pipelines. Rene offentlige repositories eller frigivet kildekode fra tidligere publikationer er et stort plus.
Algoritmisk bredde: Kendskab til probabilistisk maskinlæring, evidential learning, diskrete variationelle autoencoders (VQ-VAEs), transformere eller modelbaseret RL er yderst ønskeligt.
Kommunikation: Fremragende mundtlige og skriftlige kommunikationsevner på engelsk.
Ansøgningsfrist: 7. september 2026 kl. 23:59 dansk tid.
Se venligst det fulde opslag, herunder information om ansøgning, på www.sdu.dk.
