به‌کارگیری هوش مصنوعی مولد (Generative AI)، یادگیری فعال و بهینه‌سازی چندهدفه برای شناسایی مواد الکترولیتی و غشایی امیدبخش و کاهش تعداد آزمایش‌های موردنیاز برای توسعه مواد جدید.

۶. یکپارچه‌سازی داده‌های عملیاتی، آزمایشگاهی و شبیه‌سازی

ترکیب داده‌های میدانی، نتایج آزمایشگاهی و داده‌های شبیه‌سازی برای توسعه و اعتبارسنجی مدل‌های پیش‌بینی.

⸻

⚡ کاربردهای صنعتی پروژه

این پروژه امکان کار با مجموعه‌داده‌های صنعتی گسترده مربوط به باتری‌ها را فراهم می‌کند. این داده‌ها می‌توانند شامل متغیرهای عملیاتی زیر باشند:

🔹 جریان الکتریکی (Current)

🔹 ولتاژ (Voltage)

🔹 دما (Temperature)

🔹 نرخ جریان سیال (Flow Rate)

مدل‌های توسعه‌یافته برای تحلیل رفتار تخریب باتری، پیش‌بینی عملکرد و بهینه‌سازی راهبردهای بهره‌برداری به کار گرفته خواهند شد.

همچنین، روش‌های یادگیری فعال و هوش مصنوعی مولد برای شناسایی مواد جدید الکترولیتی و غشایی و کاهش هزینه و تعداد آزمایش‌های موردنیاز بررسی می‌شوند.

⸻

🏛️ درباره آزمایشگاه SOLID

آزمایشگاه Scalable Optimization, Learning, and Intelligent Decision-making (SOLID) به سرپرستی پروفسور Yankai Cao در دانشکده مهندسی شیمی و زیست‌شناسی دانشگاه بریتیش کلمبیا فعالیت می‌کند.

تمرکز این آزمایشگاه بر توسعه روش‌های پیشرفته یادگیری ماشین و بهینه‌سازی برای سیستم‌های مهندسی پیچیده است.

حوزه‌های اصلی فعالیت آزمایشگاه عبارت‌اند از:

🔹 هوش مصنوعی و یادگیری ماشین

🔹 مهندسی سیستم‌های فرایندی

🔹 بهینه‌سازی مقیاس‌پذیر

🔹 یادگیری ماشین تفسیرپذیر و مبتنی بر قوانین فیزیکی

🔹 مدل‌سازی و کنترل داده‌محور

🔹 فناوری‌های انرژی مبتنی بر هوش مصنوعی

پژوهشگر منتخب در یک محیط میان‌رشته‌ای فعالیت خواهد کرد و فرصت خواهد داشت هم در توسعه روش‌های بنیادی هوش مصنوعی و یادگیری ماشین و هم در کاربردهای واقعی حوزه انرژی مشارکت کند.

⸻

☑ شرایط و مهارت‌های موردنیاز

۱. مدرک تحصیلی: داشتن مدرک دکتری یا قرار داشتن در آستانه تکمیل دوره دکتری در یکی از رشته‌های واجد شرایط.

۲. تجربه پژوهشی: سابقه فعالیت در یک یا چند حوزه یادگیری ماشین، یادگیری عمیق، مدل‌سازی سری‌های زمانی، مدل‌سازی مبتنی بر فیزیک، بهینه‌سازی، یادگیری فعال، مدل‌سازی باتری، کشف محاسباتی مواد یا تحلیل داده‌های صنعتی.

۳. مهارت برنامه‌نویسی: تسلط قوی به زبان Python.

۴. مهارت‌های فنی ترجیحی: تجربه کار با PyTorch، TensorFlow، ابزارهای محاسبات علمی یا پردازش داده‌های حجیم مزیت محسوب می‌شود.

۵. سابقه انتشار علمی: برخورداری از سابقه پژوهشی و مقالات علمی مناسب.

۶. مهارت ارتباطی: توانایی نگارش و ارائه شفاهی مطالب علمی به زبان انگلیسی.

۷. استقلال پژوهشی: توانایی انجام پژوهش مستقل و همکاری مؤثر در محیط میان‌رشته‌ای.

۸. تجربه مرتبط با باتری: سابقه فعالیت در زمینه باتری‌ها یا الکتروشیمی مزیت محسوب می‌شود.

⸻

📄 مدارک موردنیاز برای درخواست

متقاضیان باید مدارک زیر را آماده کنند:

۱. رزومه علمی (CV) شامل سوابق تحصیلی، پژوهشی، مهارت‌های فنی و مقالات.

۲. نامه پوششی کوتاه (Cover Letter) شامل معرفی پیشینه پژوهشی و توضیح علاقه‌مندی به موقعیت.

۳. اطلاعات تماس ۲ تا ۳ معرف علمی (References) برای ارزیابی سوابق متقاضی.

⸻

📝 نحوه ارسال درخواست

درخواست خود را از طریق ایمیل به پروفسور Yankai Cao ارسال کنید.

📧 ایمیل استاد مسئول:

yankai.cao@ubc.ca

📌 عنوان ایمیل باید دقیقاً به شکل زیر باشد:

Postdoctoral Application – AI for Vanadium Flow Batteries

در ایمیل، رزومه، نامه پوششی و اطلاعات تماس ۲ تا ۳ معرف علمی را ضمیمه کنید.

🔔 درخواست‌ها به‌صورت مستمر بررسی می‌شوند و فرایند جذب تا زمان تکمیل موقعیت ادامه دارد.

⸻

📍 اطلاعات تماس دفتر پژوهشگران پسادکتری دانشگاه UBC

Graduate and Postdoctoral Studies – Postdoctoral Fellows Office

نشانی:

170-6371 Crescent Road
Vancouver, BC, Canada V6T 1Z2

☎️ تلفن: 604 822 2848

☎️ شماره تماس دیگر: 604 822 5802

📧 ایمیل دفتر:

postdoctoral.fellows@ubc.ca

🌐 وب‌سایت دفتر:

https://postdocs.ubc.ca

⸻

🔗 لینک‌های مرتبط و رسمی

🔹 وب‌سایت دفتر پژوهشگران پسادکتری دانشگاه بریتیش کلمبیا:

https://postdocs.ubc.ca

🔹 وب‌سایت رسمی دانشگاه بریتیش کلمبیا:

https://www.ubc.ca

📌 لینک مستقیم اپلای:

https://www.postdocs.ubc.ca/positions/101598

📧 ایمیل ارسال درخواست: yankai.cao@ubc.ca

@fullfunded

#بورسیه_فول_فاند #دکتری #پسادکتری #هوش_مصنوعی #یادگیری_ماشین #مهندسی_مواد #باتری_جریان_وانادیومی