24小时热门版块排行榜

返回列表

小猪盖被45

新虫 (正式写手)

应助: 0 (幼儿园)
金币: 24.5
散金: 5
帖子: 320
在线: 1.2小时
虫号: 36686836
注册: 2025-11-29
专业: 有机分子功能材料化学

[交流] 全奖博士招生，荷兰艾因霍芬理工大学

因平台限制，联系方式见头像

基于有限数据的缺陷检测：transformer模型适配博士项目

简介

加入荷兰科学研究组织 (nwo) perspectief find 项目，开发适配基于transformer的基础模型的方法，以应对数据稀缺且未标注的情况，实现缺陷检测。探索少样本学习、自监督自适应和合成数据生成等技术，为半导体和印刷系统打造稳健、可扩展的人工智能。与佳能等行业领先伙伴合作，助力下一代高科技设备的质量检测转型！

职位描述

半导体制造、工业印刷系统、汽车雷达、智能移动摄像头和医疗科技等领域的工业边缘部署，需要设备端人工智能来确保低延迟、隐私性和可靠性。目前的transformer模型扩展性差，且依赖于丰富的云资源。find研究项目旨在实现架构和算法上的突破，使基础模型能够在嵌入式处理器和加速器上高效、可预测地运行。

find 是由荷兰政府和业界共同资助的研究项目，汇集了 5 所大学、11 家公司（涵盖初创企业到跨国公司）和 2 个知识机构，旨在为荷兰高科技产业开发基础模型（大型人工智能模型），重点关注边缘部署、隐私保护和及时决策。合作伙伴包括 asml、nxp、佳能生产印刷、asmpt、technolution、signify、壳牌、stryker、tno 等。find 项目将招收 12 名博士生，研究课题涵盖基础模型预训练、多模态自适应、边缘部署架构和压缩等，并致力于在医疗科技、智能工业和自动驾驶等领域进行实际验证。

该博士职位专注于调整和微调基于 transformer 的基础模型，以用于高科技制造环境中的缺陷检测。在这样的环境中，可用的缺陷数据有限且大多未标注。当前解决方案通常依赖于基于大型标注数据集训练的监督式卷积神经网络（cnn）模型，但当缺陷罕见、因机器而异或标注成本过高时，这些模型便会失效。这些方法缺乏灵活性和泛化能力，因此不适用于数据稀缺且不平衡的动态工业环境。

您还将探索少样本学习、自监督自适应和多模态融合技术，以克服数据稀缺性并提高模型的鲁棒性。与依赖详尽标注或手工特征的现有方法不同，本研究将利用基础模型的丰富表征，并开发零样本或少样本自适应策略。您将研究领域自适应、合成数据生成和跨模态学习，以实现能够泛化到不同缺陷类型和机器配置的模型。这确保了即使在资源匮乏的工业环境中也能实现可扩展且准确的缺陷检测。

最终模型将与一家领先的高科技公司合作进行验证，展示基础模型如何通过减少对标注数据的依赖并实现对新缺陷模式的快速适应来变革质量检测，从而弥合人工智能能力与实际制造限制之间的差距。

研究团队及公司

该职位隶属于埃因霍温理工大学 (tu/e) 电气工程系移动感知系统 (mps) 实验室和电子系统 (es) 小组。mps 实验室和 es 小组在合作研究项目方面拥有丰富的经验，并取得了诸多具有实际应用价值的成果。

该博士项目与佳能生产印刷公司紧密合作开展。佳能生产印刷公司是高端数字印刷领域的全球领导者，致力于为专业和工业规模的印刷环境提供先进的硬件、软件和服务。

职位要求

计算机科学、电气工程、人工智能或相关专业的硕士学位（或同等大学学位）。

扎实的机器学习、计算机视觉和深度学习基础。

熟悉 transformer 架构和基础模型。

具备少样本学习、自监督学习或领域自适应经验者优先。

精通 python 和深度学习框架（pytorch、tensorflow）。

具备跨学科团队合作能力。

积极主动，渴望提升教学技能并指导学生。

英语口语和写作流利（c1水平）。

申请

我们诚邀您点击“申请”按钮提交完整的申请。申请材料应包括：

求职信，请阐述您申请该职位的动机和资质。

个人简历，包括您的出版物列表和三位推荐人的联系方式。请注意，我们可能会在招聘流程的任何阶段联系您的推荐人。我们建议您在提交申请时通知您的推荐人。

请确保提交所有要求的申请材料。我们将优先考虑完整的申请。

我们期待收到您的申请，并将尽快进行审核。该职位空缺将一直保留，直至招到合适人选为止。
发自小木虫手机客户端

回复此楼