Doktorand i reglerteknik med inriktning förstärkningsinlärning

Publiceringsdatum: 2025-11-14

Vill du ta steget att arbeta som doktorand hos Linköpings Universitet? Nu har du möjligheten. Intresserade sökes för heltid-jobb hos Linköpings Universitet - är du intresserad? De letar efter någon som vill jobba 6 månader eller längre. Att bo i närheten av Linköping kan vara en fördel för denna position, så om du redan bor i området bör du överväga att söka jobbet.

Linköpings Universitet behöver fler anställda som stödjer arbetet inom doktorand. Kolla in deras lediga tjänst för att se om du har vad som krävs. Söker du efter en spännande karriär som doktorand? Sök jobbet hos Linköpings Universitet senast fredag den femte december 2025 och bli en del av deras team.

Jobbannons

Vi har kraften från över 40 000 studenter och medarbetare. Studenter som ger framtidshopp. Medarbetare som varje dag bidrar till att Linköpings universitet tar sig an samtidens utmaningar. Vår värdegrund vilar på trovärdighet, tillit och trygghet. Genom att vara modiga, tänka fritt och göra nytt skapar vi tillsammans, med stora och små handlingar, en bättre framtid. Välkommen att söka jobb hos oss!

Vid Linköpings universitet bedrivs forskning inom olika områden inom reglerteknik såsom sensorfusion, metoder för lärande reglering och optimering.  Nu letar vi efter en doktorand som ska bedriva forskning inom gränslandet mellan förstärkningsinlärning (eng: reinforcement learning) och reglerteori.

Dina arbetsuppgifter

Projektbeskrivning:  Förstärkningsinlärning (Reinforcement Learning, RL) erbjuder ett kraftfullt ramverk från början till slut för att styra dynamiska system - via en direkt avbildning från sensordata till styringrepp. Detta doktorandprojekt fokuserar på att vidareutveckla RL-tekniker för reglering av partiellt observerbara dynamiska system, där en agent måste dra slutsatser om dolda aspekter av miljön för att kunna agera effektivt. Ett centralt tema i projektet är omvärldsmodellering - att konstruera och använda interna representationer av miljön för att stödja planering, prediktion och reglering. Följande forskningsfrågor kommer att studeras:

• Effektiv omvärldsmodellering från data: Utforska både modellfria och modellbaserade metoder för att lära sig kompakta, prediktiva representationer av miljön. Fokus kommer att ligga på hur agenter kan bygga och förfina interna modeller från begränsad data.
• Algoritmutveckling för partiellt observerbara system: Designa och utvärdera RL-algoritmer som integrerar omvärldsmodeller för att förbättra sampeleffektivitet, robusthet och generalisering i komplexa miljöer.

Den här tjänsten är del av Zenith-projektet ”Reinforcement Learning for partially observable dynamical systems with continuous state and action spaces”.  Mer information om projektet finns här: https://liu.se/en/research/reinforcement-learning-for-partially-observable-dynamical-systems.

Som doktorand ägnar du dig åt din forskarutbildning och forskningsprojekt där du ingår. I ditt arbete kan även ingå att undervisa eller att delta i andra institutionsuppdrag, upp till 20 procent av heltid.

Dina kvalifikationer

Du har avlagt examen på avancerad nivå  inom elektroteknik, teknisk fysik, datateknik eller tillämpad matematik eller slutfört kurser om minst 240 högskolepoäng varav minst 60 högskolepoäng på avancerad nivå enligt ovan eller på något annat sätt förvärvat i huvudsak motsvarande kunskaper. Kravet på examen ska vara uppfyllt senast vid tidpunkten då anställningsbeslutet fattas, det vill säga när anställningsavtalet signeras.

Vi letar efter en motiverad och ambitiös kandidat med följande kvalifikationer:

• En stark bakgrund inom reglerteknik
• Kännedom om förstärkningsinlärning (reinforcement learning)
• Goda programmeringskunskaper
• Utmärkta kommunikationsförmågor och flytande engelska, såväl muntligt som skriftligt

Ytterligare kvalifikationer som anses meriterande:

• Kunskap inom maskininlärning, optimering och statistik
• Erfarenhet av programmering i Python

Din arbetsplats

Du kommer tillhöra Avdelningen för reglerteknik som på ett framgångsrikt sätt bedriver forskning, forskarutbildning samt grundutbildning inom områden som autonoma system, data-driven modellering, komplexa nätverk, lärande reglering, optimering och sensorfusion. Avdelningen har omfattande samarbeten både med industrin och med andra forskargrupper runtom i världen.

Mer information om avdelningen finns här: https://liu.se/organisation/liu/isy/rt. För att få veta mer om ISY, gå till: https://liu.se/artikel/lediga-tjanster-pa-isy.

Om anställningen

I samband med tillträde till anställningen kommer du att antas till forskarutbildningen. Läs mer om respektive fakultets forskarutbildning här.

Anställningen är tidsbegränsad till normalt fyra år heltid. Förlängning av anställning upp till fem år sker utifrån grad av undervisnings- och institutionsuppdrag. Vid särskilda skäl kan ytterligare förlängning ske. Du anställs till en början på ett år, och därefter förnyas anställningen med högst två år i taget, utifrån uppnådd studieplan.

Kontakta gärna isyphdcouncil@groups.liu.se om du har frågor kring hur det är att arbeta som doktorand på ISY. 

Tillträde enligt överenskommelse.

Säkerhetskontroll kan komma att genomföras innan beslut om anställning fattas.

Lön och förmåner

Doktorandlönen regleras utifrån en lokalt avtalad lönestege. Läs mer om förmåner för anställda här.

Fackliga kontaktpersoner

Information om fackliga kontaktpersoner, se Hjälp för sökande.

Ansökan

Du söker denna anställning genom att klicka på knappen ”Ansök” nedan. Din ansökan ska vara Linköpings universitet tillhanda senast den 5 december, 2025. Ansökan som inkommer efter sista ansökningsdag beaktas inte.

Vi välkomnar sökande med olika bakgrund, erfarenheter och perspektiv, det berikar och utvecklar vår verksamhet. För oss är det självklart att värna om allas lika värde, rättigheter och möjligheter. Läs om vårt arbete med Lika villkor.

Välkommen med din ansökan!

Linköpings universitet har upphandlade avtal och undanber oss direktkontakt från bemannings- och rekryteringsföretag samt försäljare av platsannonser.