Doktorand i datoriserad bildbehandling och fysikinformerad maskininlärning

Publiceringsdatum: 2026-04-16

Positionen som doktorand hos Uppsala Universitet är öppen och väntar på en lämplig kandidat - kan det vara du? Detta är ett jobb på heltid där Uppsala Universitet letar efter någon under 6 månader eller längre. För detta jobb är Uppsala den angivna tjänsteorten.

Om du letar efter en spännande karriär inom doktorand-branschen, har Uppsala Universitet just nu ett ledigt jobb som kan vara av intresse. Sök jobbet som doktorand hos Uppsala Universitet och ta chansen att ta din karriär till nästa nivå. Ansök senast torsdag den sjunde maj 2026.

Jobbannons

Observera att detta är en förkortad version av annonsen. För att se den fullständiga annonsen vänligen klicka på ”Ansök här” eller se Uppsala universitets hemsida för jobbannonser: https://www.uu.se/om-uu/jobba-hos-oss/lediga-jobb. 

Är du intresserad av att accelerera Sveriges övergång till grön vätgas genom att kombinera 3D-bildbehandling och fysikinformerad maskininlärning? Vill du arbeta tillsammans med kompetenta och trevliga kollegor i en internationell miljö? Söker du en arbetsgivare som satsar på ett hållbart medarbetarskap och erbjuder trygga, förmånliga arbetsvillkor? Välkommen att söka en doktorandtjänst vid Institutionen för informationsteknologi, Uppsala universitet.

Institutionen för informationsteknologi har en ledande position inom såväl forskning som utbildning på alla nivåer. Vi är idag Uppsala universitets tredje största institution och har i dag drygt 350 anställda varav 120 lärare och 120 doktorander. C:a 5500 grundutbildningsstudenter läser en eller flera kurser vid institutionen varje år. Mer information om oss hittar du på institutionens webbplats.

Projektbeskrivning

Protonbytesmembranvattenelektrolysörer (PEMWE) är en nyckelteknik för grön vätgasproduktion, men deras utbredda användning begränsas av höga kostnader och hållbarhetsproblem. En ny strategi för att minska dessa begränsningar är att använda termiskt sprutade titanskikt som korrosionsskydd. Denna metod gör det möjligt att använda mer kostnadseffektiva material samtidigt som prestandan bibehålls. Utmaningen är att dessa skikt har en komplex, tredimensionell mikrostruktur. För att förstå hur mikrostrukturen påverkar elektrokemisk prestanda krävs metoder som kan koppla samman information från flera skalor - från 3D-avbildning och mikrostrukturell analys till funktionsmodellering och processoptimering.

Fokus för detta doktorandprojekt är att utveckla och tillämpa maskininlärningsmetoder inom tre sammankopplade uppgifter:

• 3D-mikrostrukturkarakterisering. Doktoranden kommer att utveckla automatiserade analyskedjor för segmentering och kvantitativ analys av röntgendatortomografi (XCT)-bilder av titanskikt. Detta omfattar djupinlärningsbaserad bildanalys och extraktion av fysikaliskt meningsfulla mikrostrukturdeskriptorer som kan kopplas till funktionella egenskaper.
• Probabilistisk surrogatmodellering och digitala tvillingar. De extraherade deskriptorerna kommer att användas för att bygga en probabilistisk framåtriktad modell (en digital tvilling) som mappar mikrostruktur till elektrokemisk prestanda. Detta inkluderar simuleringsbaserad inferens och fysikinformerade maskininlärningstekniker som kan kvantifiera och ta i beaktande osäkerhet från bilddata till förutspått PEMWE-beteende.
• Bayesiansk experimentell design och processoptimering. Den digitala tvillingen kommer att utgöra grunden för Bayesiansk optimering av tillverkningsprocessens parametrar. I stället för att genomföra kostsamma experiment i blindo är målet att planera experimentsekvenser som effektivt minskar osäkerheten kring vilka processförhållanden som ger optimal prestanda.

Doktoranden kommer att handledas av Ida-Maria Sintorn, professor i digital bildbehandling, och Jens Sjölund, biträdande professor i AI vid Institutionen för informationsteknologi, och genomföras i nära samarbete med Alleima och Sandvik.

Arbetsuppgifter

Doktoranden kommer främst att ägna sig åt den egna forskarutbildningen. Övrig tjänstgöring vid institutionen, som avser undervisning och administrativt arbete, kan ingå inom ramen för anställningen (max 20%).

Kvalifikationskrav

Grundläggande behörighet till utbildning på forskarnivå har den som:

• avlagt examen på avancerad nivå inom teknisk fysik, maskininlärning, datavetenskap, datorvetenskap, elektroteknik, tillämpad matematik, eller liknande område, eller
• fullgjort minst 240 högskolepoäng, varav minst 60 högskolepoäng på avancerad nivå inklusive ett självständigt arbete om minst 15 högskolepoäng, eller
• på något annat sätt inom eller utom landet förvärvat i huvudsak motsvarande kunskaper.

Högskolan får för en enskild sökande medge undantag från kravet på grundläggande behörighet, om det finns särskilda skäl. (7 kap. 39 § HF). För särskild behörighet, se studieplanen för ämnet.

Vi söker kandidater med:

• ett starkt intresse för att utveckla nya metoder för bildbehandling, beräkningsmatematik och maskininlärning,
• utmärkta studieresultat,
• god programmeringsförmåga (helst i Python),
• god kommunikationsförmåga med tillräcklig kunskap i muntlig och skriftlig engelska,
• personliga egenskaper såsom hög kreativitet, noggrannhet och/eller ett strukturerat tillvägagångssätt för problemlösning.

Önskvärt/meriterande i övrigt

Kurser eller annan erfarenhet inom bildanalys och maskininlärning är meriterande, till exempel inom linjär algebra, matematisk analys, numerisk linjär algebra, optimering, statistisk maskininlärning, datorseende, 3D-bildbehandling, visualisering, materialvetenskap, djupinlärning och mjukvaruutveckling.

Bestämmelser för doktorander återfinns i Högskoleförordningen 5 kap §§ 1-7 samt i universitetets regler och riktlinjer.

Om anställningen

Anställningen är tidsbegränsad, enligt HF 5 kap § 7. Omfattningen är heltid. Tillträde 1 september 2026 eller enligt överenskommelse. Placeringsort: Uppsala.

Upplysningar om anställningen lämnas av: Ida-Maria Sintorn (ida.sintorn@it.uu.se, 018-471 34 61) eller Jens Sjölund (jens.sjolund@it.uu.se, 018-471 78 40).

Välkommen med din ansökan senast den 7 maj 2026, UFV-PA 2026/1161.