researchJobsPostdoctoral in simulation-based inference for particle physics
Postdoktor inom simuleringsbaserad inferens för partikelfysik — Machine-translated title
From the ad
Do you want to work with machine learning and simulation-based inference for the search for dark matter (or other "invisible" signals of new physics) at Large Hadron Collider, in an international environment with competent and pleasant colleagues? Welcome to seek employment as postdoctoral at Uppsala University.
This is a shortened version of the ad. The full ad is on Uppsala University's website, UU.se/jobb.
The Department of Information Technology is Uppsala University's third largest institution with just over 350 employees. The employment is located at the Department of Calculation Science (TDB), one of the world's largest research environments in computational science with extensive activities within eg. Machine learning, optimization and high performance calculations, and an important part of Essence and SciLifeLab.
The person who is employed is part of the research group Scientific Machine Learning at TDB and SciLifeLab (Senior Lecturer Prashant Singh), who develops methods and software for simulation-based inference, generative models and robust machine learning, in close The project establishes a new faculty cross cooperation where new methodology for simulation-based inference is developed and applied directly to realistic analyzes of collidate data. The postdoctor is jointly wristed by both groups and supports conference trips and access to national HPC resources (Naiss) and local GPU infrastructure.
The employment is part of Essence graduate school in data-intensive science, an arena where experts in computational science, computer science and computer technology work near researchers within data-driven sciences, industry and society. Essence is a strategic research collaboration in e-science between Uppsala University, Lund University and Umeå University.
The project description search after dark matter at LHC means that high-dimensional collision data is compared with detailed simulations whose likelihood cannot be calculated, only sampled. Simulation-based inference (SBI) attacks this by practicing neural networks, such as generative models based on Flow Matching, on simulated events. The project aims to develop efficient, robust and calibrated SBI methods that take into account event electronics and systematic uncertainties, and to demonstrate them on realistic search searches. The project is primarily based on simulated data, but there is also the opportunity to work with open data from Atlas and / or CMS. The methods are general and applicable way outside the particle physics.
Tasks Research within the project, including method development, implementation, large-scale computation experiments and publishing, and presentation at international conferences, contributions to the group's open software, participation in Essence research school activities and participation in the supervision of students. A limited proportion of teaching can be included (at most 20 %).
Qualification requirements Doctoral degree in machine learning, calculation science, statistics, physics or a neighboring area, or a foreign degree that is deemed to correspond to a doctoral degree in these areas. Degree must be met at the latest at the time when the employment decision is made. It should mainly be in question that has exhausted graduates for a maximum of three years ago. When calculating the framework of three years, the starting point is the last application date. If there are special reasons, such degree may have been completed before. With special reasons, leave for illness, parental leave, trust assignments in trade unions, etc.
Documented experience of machine learning, especially deep generative models and / or probabilistic modeling, and very good programming skills in Python and a modern framework for depth learning (eg, Pytorch or Jax) is required. Good knowledge of English in speech and writing is required. The candidate should clearly document a high degree of self-motivation in the application. Great emphasis is placed on personal characteristics such as creativity, accuracy, a structured working method and the ability to work both independently and in an interdisciplinary team.
Desirable / merit in other experience of simulation-based inference, normalizing flows, flow matching or diffusion models; of particle physics (eg MadGraph, Pythia, Delphes or analysis of LHC data); Of large-scale training on GPU / HPC systems, active learning and open software development is advanced, as well as publications at leading machine learning conferences or physics magazines. Teaching experience (eg teaching, tutoring, mentoring or other educational activities) are merit but not a requirement; Particular emphasis is placed on activities that support students' learning in computer science, information technology or related topics.
Application application must contain: CV; copy of the relevant grading documents (in Swedish or English); publikationslista; Up to five selected publications in electronic format; A research description of previous and current research (max 1 page) and a proposal for future activities (max 1 page); Contact information to two references.
In this recruitment, we have replaced the personal letter with questions that you answer in connection with your application. The answers are used as part of the selection process.
If the employment employment is limited in two years according to central collective agreement. The scope is full time. Access 1 November 2026 or as agreed. Place: Uppsala.
Disclosure of the employment is provided by: Senior Lecturer Prashant Singh, prashant.singh@scilifelab.uu.se; Professor Stefano Moretti, stefano.moretti@physics.uu.se; Division Elisabeth Larsson, elisabeth.larsson@it.uu.se.
Welcome with your application no later than Thursday 15 of October 2026, UFV - PA 2026/2734.
Machine translation (OPUS-MT) — the original text is authoritative
Show the original advertisement
Vill du arbeta med maskininlärning och simuleringsbaserad inferens för sökandet efter mörk materia (eller andra "osynliga" signaler av ny fysik) vid Large Hadron Collider, i en internationell miljö med kompetenta och trevliga kollegor? Välkommen att söka anställning som postdoktor på Uppsala universitet.
Detta är en förkortad version av annonsen. Den fullständiga annonsen finns på Uppsala universitets webbplats, uu.se/jobb.
Institutionen för informationsteknologi är Uppsala universitets tredje största institution med drygt 350 anställda. Anställningen är placerad vid avdelningen för beräkningsvetenskap (TDB), en av världens största forskningsmiljöer inom beräkningsvetenskap med omfattande verksamhet inom bl.a. maskininlärning, optimering och högprestandaberäkningar, och en viktig del av eSSENCE och SciLifeLab.
Den som anställs ingår i forskargruppen Scientific Machine Learning vid TDB och SciLifeLab (universitetslektor Prashant Singh), som utvecklar metoder och programvara för simuleringsbaserad inferens, generativa modeller och robust maskininlärning, i nära samarbete med gruppen för teoretisk partikelfysik vid institutionen för fysik och astronomi (professor Stefano Moretti), som forskar om fenomenologi bortom standardmodellen och mörk materia och är medlem av CMS-experimentet vid CERN. Projektet etablerar ett nytt fakultetsöverskridande samarbete där ny metodik för simuleringsbaserad inferens utvecklas och tillämpas direkt i realistiska analyser av kolliderardata. Postdoktorn handleds gemensamt av båda grupperna och får stöd för konferensresor samt tillgång till nationella HPC-resurser (NAISS) och lokal GPU-infrastruktur.
Anställningen är en del av eSSENCE forskarskola i dataintensiv vetenskap, en arena där experter inom beräkningsvetenskap, datavetenskap och datateknik arbetar nära forskare inom datadrivna vetenskaper, industri och samhälle. eSSENCE är ett strategiskt forskningssamarbete inom e-vetenskap mellan Uppsala universitet, Lunds universitet och Umeå universitet.
ProjektbeskrivningSökandet efter mörk materia vid LHC innebär att högdimensionella kollisionsdata jämförs med detaljerade simuleringar vars likelihood inte kan beräknas, endast samplas. Simuleringsbaserad inferens (SBI) angriper detta genom att träna neurala nätverk, såsom generativa modeller baserade på flow matching, på simulerade händelser. Projektet syftar till att utveckla effektiva, robusta och kalibrerade SBI-metoder som tar hänsyn till händelseselektion och systematiska osäkerheter, och att demonstrera dem på realistiska sökningar i stor skala. Projektet bygger i första hand på simulerade data, men det finns även möjlighet att arbeta med öppna data från ATLAS och/eller CMS. Metoderna är generella och tillämpliga långt utanför partikelfysiken.
Arbetsuppgifter Forskning inom projektet, inklusive metodutveckling, implementering, storskaliga beräkningsexperiment och publicering, samt presentation vid internationella konferenser, bidrag till gruppens öppna programvara, deltagande i eSSENCE forskarskolas aktiviteter och medverkan i handledning av studenter. En begränsad andel undervisning kan ingå (högst 20 %).
Kvalifikationskrav Doktorsexamen i maskininlärning, beräkningsvetenskap, statistik, fysik eller ett närliggande område, eller en utländsk examen som bedöms motsvara doktorsexamen inom dessa områden. Examen ska vara uppfyllt senast vid tidpunkten då anställningsbeslutet fattas. Främst bör den komma ifråga som har avlagt examen för högst tre år sedan. Vid beräkning av ramtiden om tre år är utgångspunkten sista ansökningsdag. Om det finns särskilda skäl kan sådan examen ha avlagts tidigare. Med särskilda skäl avses ledighet på grund av sjukdom, föräldraledighet, förtroendeuppdrag inom fackliga organisationer, etc.
Dokumenterad erfarenhet av maskininlärning, särskilt djupa generativa modeller och/eller probabilistisk modellering, samt mycket goda programmeringskunskaper i Python och ett modernt ramverk för djupinlärning (t.ex. PyTorch eller JAX) krävs. Goda kunskaper i engelska i tal och skrift krävs. Kandidaten ska tydligt dokumentera en hög grad av självmotivation i ansökan. Stor vikt läggs vid personliga egenskaper såsom kreativitet, noggrannhet, ett strukturerat arbetssätt samt förmåga att arbeta både självständigt och i ett tvärvetenskapligt team.
Önskvärt/meriterande i övrigt Erfarenhet av simuleringsbaserad inferens, normaliserande flöden, flow matching eller diffusionsmodeller; av partikelfysik (t.ex. MadGraph, Pythia, Delphes eller analys av LHC-data); av storskalig träning på GPU/HPC-system, aktiv inlärning och öppen programvaruutveckling är meriterande, liksom publikationer vid ledande maskininlärningskonferenser eller fysiktidskrifter. Undervisningserfarenhet (t.ex. undervisning, handledning, mentorskap eller andra pedagogiska aktiviteter) är meriterande men inte ett krav; särskild vikt läggs vid aktiviteter som stödjer studenters lärande inom datavetenskap, informationsteknologi eller närliggande ämnen.
Ansökan Ansökan ska innehålla:
CV;
kopia av relevanta betygsdokument (på svenska eller engelska);
publikationslista; upp till fem utvalda publikationer i elektroniskt format;
en forskningsbeskrivning av tidigare och nuvarande forskning (max 1 sida) samt ett förslag till framtida aktiviteter (max 1 sida);
kontaktuppgifter till två referenser.
I denna rekrytering har vi ersatt det personliga brevet med frågor som du besvarar i samband med din ansökan. Svaren används som en del i urvalsprocessen.
Om anställningen Anställningen är tidsbegränsad i två år enligt centralt kollektivavtal. Omfattningen är heltid. Tillträde 1 november 2026 eller enligt överenskommelse. Placeringsort: Uppsala.
Upplysningar om anställningen lämnas av: Universitetslektor Prashant Singh, prashant.singh@scilifelab.uu.se; Professor Stefano Moretti, stefano.moretti@physics.uu.se; Avdelningsföreståndare Elisabeth Larsson, elisabeth.larsson@it.uu.se.
Välkommen med din ansökan senast torsdagen 15 oktober 2026, UFV-PA 2026/2734.
The employer's ad is the binding version. Apply through their system.
?
Saved calls and ads appear on your calendar, and their deadlines are included when you export it. Nothing else is added for you.