Публикация специалиста по машинному обучению

Краткое описание роли:
Наша миссия в Differential Bio — раскрыть потенциал биоэкономики, исправив методы проведения биологических исследований и разработок, а также масштабирования.
Мы ищем специалиста по машинному обучению, который присоединится к нашей растущей команде современного моделирования. Вы будете разрабатывать новые алгоритмы машинного обучения и механистические модели биотехнологических систем и продвигать их от исследовательской проверки концепции до готового к промышленному коммерческому использованию.
Эта роль сосредоточена на исследованиях, включая создание гибридных моделей, которые сочетают в себе подходы механистического и машинного обучения для прогнозирования поведения микробных ферментаций и которые продолжают работать, когда мы переходим к новому организму, новому сенсору или более крупному реактору. Вы сыграете важную роль в двух существующих грантах и ​​будете работать с ведущими академическими группами и промышленными партнерами над данными пилотного и промышленного масштаба. Кроме того, вы будете разрабатывать новые исследовательские проекты, доводить их до завершения и применять в проектах клиентов.
Мы заинтересованы в исследователях, которые хотят, чтобы их работа воплотилась в настоящие биореакторы, и рады работать над стартапом на ранней стадии. Вам должно быть комфортно решать сложные, открытые проблемы, на которые пока никто не имеет ответа, принимать обоснованные решения в условиях неопределенности и предлагать реальные решения.
Как вы будете работать

• Вы будете сотрудничать с техническими руководителями и внешними партнерами из академических/отраслевых кругов для разработки и проведения исследований, которые соответствуют нашим обязательствам в обоих консорциумах и укрепляют нашу собственную платформу.

• Вы будете управлять своими исследовательскими проектами от определения объема до реализации при поддержке нашего руководителя по моделированию, но с автономией и независимостью.

• Вы будете тесно сотрудничать с нашими командами влажной лаборатории, сухой лаборатории и программного обеспечения и определять, какие данные вам необходимо получить из нашей роботизированной лаборатории.

Ключевые обязанности:
Гибридное моделирование биопроцессов

• Разработать гибридные модели клеточного ответа механистического/ML, которые прогнозируют результаты ферментации (рост, титр, выход, продуктивность) на основе данных процесса и датчиков.

• Объединить сигналы временных рядов технологических аналитических технологий (рамановская, БИК, диэлектрическая спектроскопия, растворенный кислород, отходящие газы) с автономной аналитикой.

• Создавайте механистические основы (например, кинетические модели/модели ODE, метаболические модели в масштабе генома), которые ограничивают обучение и генерируют синтетические данные обучения.

• Разрабатывать суррогатные модели машинного обучения для дорогостоящего механического моделирования.

• Количественно оценить неопределенность, чтобы моделям можно было доверять в производственных условиях с высокими ставками.

Перенос между организмами и весами

• Создавайте модели, которые можно перенести с настольных компьютеров на пилотные и производственные масштабы, а также на различные микробы, включая бактерии и дрожжи.

• Используйте трансферное обучение и обучение представлению, чтобы делать хорошие прогнозы для новых штаммов и процессов с небольшим количеством данных.

• Разработать характеристики реактора, которые можно масштабировать, и прогнозные модели KPI для масштабирования.

Управление с прогнозированием модели в реальном времени

• Создайте уровень AI/ML для управления с прогнозированием нелинейной модели (NMPC) и стратегий кормления на основе обучения с подкреплением для динамической оптимизации титра, скорости и урожайности.

• Объединить данные в реальном времени от Process Analytical Technology (PAT) и программных датчиков (например, рамановских, NIR) в средства оценки динамического состояния для управления приводами биореактора с замкнутым контуром (подача, воздух, перемешивание).

• Прототипируйте более простые и развертываемые этапы, такие как обнаружение отклонений и оповещения оператора.

• Разработать системы контроля для упреждающего устранения метаболических узких мест и надежного учета неопределенности модели, изменчивости от партии к партии и присущей биопроцессу стохастичности.

Квалификация:

• Доктор философии в области машинного обучения, биоинженерии, вычислительной биологии или смежных областях или степень магистра с более чем 3-летним опытом работы в соответствующей отрасли.

• Сильная исследовательская независимость; способность определять объем и выполнять новую научную работу от начала до конца.

• Подтвержденные доказательства научного вклада, включая (но не ограничиваясь): рецензируемые журналы или статьи на конференциях, участие в конференциях, вклады из открытых источников.

• Мощный Python и современные инструменты машинного обучения (например, PyTorch/JAX, scikit-learn).

• Практический опыт построения моделей динамических систем или данных временных рядов, идеально сочетающий механистический подход и подход, основанный на данных.

• Опыт работы с передовыми моделями кодирования, включая многоагентную оркестровку.

• Четкое письменное и устное общение, в том числе с партнерами, не связанными с ОД.

Приятно иметь:

• Опыт работы с данными биопроцессов или ферментации, в идеале из биореакторов более чем в одном масштабе.

• Опыт работы с рамановскими, ближними ИК-спектральными данными или другими спектроскопическими и хемометрическими данными (например, PLS)

• Опыт работы в области управления с прогнозированием моделей, обучения с подкреплением или оптимального управления.

• Опыт трансферного обучения, адаптации предметной области или обучения представлению биологических данных.

• Знакомство с моделями метаболизма в масштабе генома или кинетическим моделированием.

• Опыт работы с байесовскими методами, количественной оценкой неопределенности или планированием экспериментов.

• Опыт участия в совместных или финансируемых государством исследовательских проектах (например, Horizon Europe, Eurostars)

Преимущества:

• Конкурентное вознаграждение в виде зарплаты + опционов на акции; мы стремимся создать небольшую, но сильную команду и думаем о компенсации в соответствии с этим;

• Создайте свой исследовательский профиль: работайте над открытыми проблемами с ведущими европейскими академическими и промышленными партнерами с намерением представить и опубликовать свою работу;

• Красивый офис в самом центре Мюнхена или возможность удаленной работы с редкими поездками.

• членство в eGym WellPass.

Найдите работу в Германии на Arbeitnow

Источник: Arbeitnow (https://www.arbeitnow.com/jobs/companies/ Differentialbio/machine-learning-data-scientist-posting-munich-468450).