Doktorand i modellering av kärnbränsleprestanda med maskininlärning

Vill du arbeta med modellering av kärnbränsle, maskininlärning och statistiska metoder inom ett nära samarbete mellan Uppsala universitet, Westinghouse och Vattenfall? Vill du bidra till utvecklingen av snabba, robusta och tillförlitliga beräkningsmetoder för dagens och framtidens kärnenergisystem, med stöd av kompetenta och trevliga kollegor i en internationell miljö? Vill du ha en arbetsgivare som satsar på ett hållbart medarbetarskap och erbjuder trygga och förmånliga arbetsvillkor? Välkommen att söka anställning som doktorand vid Uppsala universitet.

Institutionen för fysik och astronomi, Avdelningen för tillämpad kärnfysik vid Uppsala universitet bedriver forskning och utbildning inom tillämpad kärnfysik och kärnteknik. Forskningen omfattar bland annat modellering och simulering av kärnbränslets beteende i reaktorer, med särskilt fokus på statistiska metoder, osäkerhetskvantifiering och maskininlärning för att förbättra noggrannheten och beräkningseffektiviteten i bränsleprestandaanalyser. Arbetet bidrar till utvecklingen av säkra, tillförlitliga och konkurrenskraftiga kärnenergisystem för både befintliga och framtida reaktorer, inklusive små modulära reaktorer.

Som doktorand kommer du att vara en del av en forskargrupp som arbetar med kärnbränsleprestanda, osäkerhetskvantifiering och avancerade beräkningsmetoder för kärntekniska tillämpningar. Gruppen kombinerar fysikbaserade bränsleprestandakoder med statistisk modellkalibrering, maskininlärning och dataanalys. Arbetsmiljön är internationell och tvärvetenskaplig, med nära koppling mellan grundläggande metodutveckling och tekniskt relevanta tillämpningar.

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.

 

Här är en sammanslagen version med mindre upprepning och tydligare progression från CaNel till det nya projektet:

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.

Upplysningar om anställningen lämnas av: Henrik Sjöstrand, 073-3130466, [email protected].

I denna rekrytering har vi ersatt det personliga brevet med frågor som du besvarar i samband med din ansökan. Svaren kommer att användas som en del i urvalsprocessen.

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

Uppsala universitet är ett brett forskningsuniversitet med stark internationell ställning. Det yttersta målet är att bedriva utbildning och forskning av högsta kvalitet och relevans för att göra skillnad i samhället. Vår viktigaste tillgång är alla 7 500 anställda och 53 000 studenter som med nyfikenhet och engagemang gör Uppsala universitet till en av landets mest spännande arbetsplatser.

Läs mer om våra förmåner och hur det är att jobba inom Uppsala universitet

https://uu.se/om-uu/jobba-hos-oss/

Anställningen kan komma att säkerhetsprövas. Vid säkerhetsprövning är en förutsättning för anställning att sökande blir godkänd.

Vi undanber oss erbjudanden om rekryterings- och annonseringshjälp.

Ansökan tas emot i Uppsala universitets rekryteringssystem.

Fackliga företrädare: Saco-S - [email protected], Seko - [email protected], ST (OFR/S) - [email protected]