Doktorand i modellering av kärnbränsleprestanda med maskininlärning

Projektet genomförs inom kompetenscentrumet ANItA (Academic-industrial Nuclear technology Initiative to Achieve a sustainable energy future). Du kommer att ingå i en gemensam akademisk och industriell forskningsmiljö med handledning från både Uppsala universitet och industripartner. Genom det nära samarbetet med industrin får du möjlighet att utveckla forskningsmetoder med tydlig industriell relevans och bidra till kunskapsutbyte mellan akademi och industri.

Tillförlitliga och snabba bränsleprestandaberäkningar är viktiga för såväl dagens reaktorer som framtida konstruktioner, inklusive små modulära reaktorer (SMR). Projektet bygger vidare på den forskning som har bedrivits inom CaNel – Calibration of Fuel Performance Codes, där metoder baserade på statistisk kalibrering, osäkerhetskvantifiering och maskininlärningsbaserad surrogatmodellering har utvecklats för simulering av kärnbränsleprestanda. Du kommer att vidareutveckla dessa metoder för att möjliggöra snabbare och mer precisa förutsägelser med väl kvantifierade osäkerheter.

Projektet omfattar bland annat kalibrering mot tidsberoende och axiellt upplösta mätdata, överföring av osäkerheter mellan kopplade delmodeller samt utveckling av tidsberoende maskininlärningsbaserade surrogatmodeller. Modellerna ska kunna hantera variationer i exempelvis bränsletyp, anrikning och gadoliniuminnehåll, utvärderas även utanför träningsområdet och tillämpas på ett bredare urval av bränsledesigner och driftförhållanden. De ska även demonstreras i industriellt relevanta tillämpningar, såsom prediktion av kapslingens tangentialspänning och bedömning av risken för PCI-relaterade bränsleskador.

Arbetsuppgifter

Arbetsuppgifterna består huvudsakligen av forskarutbildning, där du bedriver forskning inom projektet och följer kurser inom forskarutbildningen. Arbetet innefattar utveckling, implementering och utvärdering av statistiska och maskininlärningsbaserade metoder för kalibrering och simulering av kärnbränsleprestanda.

I arbetsuppgifterna ingår att:

• vidareutveckla kalibreringsmetoder så att tidsberoende och axiellt upplösta mätdata kan användas,
• utveckla metoder för att propagera osäkerheter mellan kalibrerade och kopplade delmodeller och därmed undvika dubbelräkning av effekter
• utveckla och utvärdera tidsberoende maskininlärningsmodeller för sekvens-till-sekvens-prediktion av bränslebeteende,
• utöka surrogatmodeller så att de kan hantera flera bränsletyper, anrikningsgrader och halter av gadolinia samt, om möjligt, prediktera osäkerheter,
• generera och analysera tränings- och valideringsdata för ett brett spektrum av effekthistorier och driftförhållanden samt undersöka modellernas generaliserbarhet utanför träningsområdet,
• demonstrera surrogatmodellernas användbarhet i industriellt relevanta tillämpningar, exempelvis för prediktion av kapslingens tangentialspänning och bedömning av PCI-risk,
• implementera, testa och dokumentera beräkningsverktyg, exempelvis i Python, och bidra till reproducerbara beräkningsflöden,
• sammanställa, publicera och presentera forskningsresultat samt delta i forskargruppens seminarier, projektmöten och övriga vetenskapliga aktiviteter.

Undervisning och annan institutionstjänstgöring kan komma att ingå med högst 20 procent av heltid.

Kvalifikationskrav

Behörig till utbildning på forskarnivå är den som har

• avlagt examen på avancerad nivå inom teknisk fysik, kärnteknik, tillämpad fysik, energiteknik, beräkningsvetenskap, tillämpad matematik, statistik, maskininlärning eller annat för projektet relevant 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 förvärvat i huvudsak motsvarande kunskaper.

För anställningen krävs dessutom:

• goda kunskaper i fysik, numeriska metoder, statistik och/eller maskininlärning,
• god programmeringsförmåga, exempelvis i Python, Julia, C++ eller motsvarande,
• god förmåga att arbeta självständigt och strukturerat,
• god samarbetsförmåga,
• god förmåga att uttrycka sig i tal och skrift på engelska.

Önskvärt/meriterande i övrigt

Det är meriterande med erfarenhet av ett eller flera av följande områden:

• kärnbränsle, bränsleprestandamodellering, reaktorfysik eller kärnteknik,
• numerisk modellering av värmeöverföring, materialbeteende eller solidmekanik,
• Bayesiansk inferens, modellkalibrering eller MCMC-metoder,
• osäkerhetskvantifiering, statistisk modellering eller gaussiska processer,
• maskininlärning för tidsserier, sekvens-till-sekvens-modeller eller surrogatmodellering,
• arbete med vetenskapliga beräkningsprogram, stora simulerings- eller mätdata och högpresterande beräkningar,
• erfarenhet av versionshantering och reproducerbara beräkningsflöden.

Stor vikt kommer att läggas vid personliga egenskaper såsom analytisk förmåga, initiativförmåga, noggrannhet och motivation att bedriva forskarstudier i nära samverkan mellan akademi och industri.

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

Information om forskarutbildning, behörighetskrav och antagningsregler finns på Vetenskapsområdet för teknik och naturvetenskaps hemsida.

Om ansökan

Vänligen bifoga betygsutdrag, kopia av examensarbete samt eventuella övriga handlingar som du vill åberopa.

Om anställningen 

Anställningen är tidsbegränsad, enligt HF 5 kap § 7. Omfattningen är heltid. Tillträde 1 januari 2027, eller enligt överenskommelse. Placeringsort: Uppsala, Sverige.

Välkommen med din ansökan senast den 30 september 2026, UFV-PA 2026/2448.

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.