中央研究院 Logo

工作內容為進行或協助下列領域相關問題之研究：
- Cryptography
- Complexity Theory
- Quantum Information Theory
- Quantum Cryptography

進行Cryptography, Complexity Theory, 或其他Theoretical Computer Science(TCS)相關領域研究，共同撰寫論文。

鼓勵規劃出國攻讀TCS相關領域博士之學碩士畢業生申請。

起聘時間彈性

深度學習模型推論和訓練優化研究 (Optimization of Deep Learning Model Inference and Training)

Machine Learning Systems團隊的研究方向包括：平行與分散式計算、編譯器、以及計算機架構。我們利用電腦系統的技術加速深度學習模型推論和訓練，並研究下一世代機器學習模型的系統開發和優化。


我們的研究方向著重於：
1. 深度學習模型在異質環境的推論優化研究。
許多智慧型系統像是自駕車和語音助理，這些系統通常執行了許多複雜的深度學習模型 (complex deep learning models: hybrid models, multi-models, and multi-task models)。另一方面，近年來電腦發展朝向了異質且多處理器的架構設計 (heterogeneous architecture: CPUs+GPUs+AI accelerators)。如何整合這些電腦上異質處理器來執行複雜模型並達到高效能的運算，是十分重要且具有挑戰性的研究。針對此問題，我們將研究 (1) 模型運算與異質處理器的分配方法，(2) 排程演算法設計，(3) 模型執行平行化：data parallelism, model parallelism, and tensor parallelism。

2. 模型壓縮和計算優化研究。
模型壓縮 (pruning and quantization) 透過降低模型容量與運算量，來達到模型執行加速，對於資源有限的計算平台如嵌入式系統，以及有限記憶體的AI加速器，是一項非常重要的技術。為了有效執行壓縮模型，許多次世代處理器設計了新的運算功能，例如向量運算 (AVX512, SVE) 和矩陣加速器 (matrix-multiplication unit on GPUs and NPUs) 等強化功能。我們將研究 (1) 如何利用這些強化運算功能加速壓縮模型的執行，(2) 各種計算平台，例如伺服器、邊緣裝置、異質系統等，佈署壓縮模型的方法。

3. 深度學習模型設計與訓練加速研究。
近年來，深度學習模型除了容量快速地增加，模型架構也變得越來越複雜，例如complex CNN and GNN模型、以及大型語言模型 (large language models)。我們將針對這些大型深度學習模型的訓練，研究加速訓練的方法。研究主題將包括平行計算，分散式計算，GPU使用優化，以及深度學習模型架構設計。


上述研究議題為國內外深度學習系統領域之重要發展方向，產業界及學術界均需此方面人才。適合擬專心研究，未來從事學術工作者或研發工作者，對於未來規劃進修博士學位者, 本實驗室之研究計畫提供優良之訓練環境與研究經歷。

深度學習模型推論和訓練優化研究 (Optimization of Deep Learning Model Inference and Training)

Machine Learning Systems團隊的研究方向包括：平行與分散式計算、編譯器、以及計算機架構。我們利用電腦系統的技術加速深度學習模型推論和訓練，並研究下一世代機器學習模型的系統開發和優化。


我們的研究方向著重於：
1. 深度學習模型在異質環境的推論優化研究。
許多智慧型系統像是自駕車和語音助理，這些系統通常執行了許多複雜的深度學習模型 (complex deep learning models: hybrid models, multi-models, and multi-task models)。另一方面，近年來電腦發展朝向了異質且多處理器的架構設計 (heterogeneous architecture: CPUs+GPUs+AI accelerators)。如何整合這些電腦上異質處理器來執行複雜模型並達到高效能的運算，是十分重要且具有挑戰性的研究。針對此問題，我們將研究 (1) 模型運算與異質處理器的分配方法，(2) 排程演算法設計，(3) 模型執行平行化：data parallelism, model parallelism, and tensor parallelism。

2. 模型壓縮和計算優化研究。
模型壓縮 (pruning and quantization) 透過降低模型容量與運算量，來達到模型執行加速，對於資源有限的計算平台如嵌入式系統，以及有限記憶體的AI加速器，是一項非常重要的技術。為了有效執行壓縮模型，許多次世代處理器設計了新的運算功能，例如向量運算 (AVX512, SVE) 和矩陣加速器 (matrix-multiplication unit on GPUs and NPUs) 等強化功能。我們將研究 (1) 如何利用這些強化運算功能加速壓縮模型的執行，(2) 各種計算平台，例如伺服器、邊緣裝置、異質系統等，佈署壓縮模型的方法。

3. 深度學習模型設計與訓練加速研究。
近年來，深度學習模型除了容量快速地增加，模型架構也變得越來越複雜，例如complex CNN and GNN模型、以及大型語言模型 (large language models)。我們將針對這些大型深度學習模型的訓練，研究加速訓練的方法。研究主題將包括平行計算，分散式計算，GPU使用優化，以及深度學習模型架構設計。


上述研究議題為國內外深度學習系統領域之重要發展方向，產業界及學術界均需此方面人才。適合擬專心研究，未來從事學術工作者或研發工作者，對於未來規劃進修博士學位者, 本實驗室之研究計畫提供優良之訓練環境與研究經歷。

參與3D電腦視覺、跨媒體內容檢索/生成、深度學習等相關研究。研究主題包含:照片/視訊中的3D人體動作與形體估測、基於音樂表示法的3D舞蹈序列生成、文字引導的3D人體動作與形體估測/生成、預訓練模型微調技術、視訊背景音樂推薦/生成，以及從音樂到鏡頭序列的視覺敘事等相關研究。工作內容將包含論文研讀、程式撰寫、論文撰寫等。

符合下列條件之一
1. 元宇宙、資料探勘與深度學習、多媒體社群網路與通訊網路、應用數學應用相關研究。
2. 或者具備演算法設計、圖論、最佳化、賽局理論、機器學習、深度學習、統計推論、隨機程序相關背景愛好數學。
3. 或者有興趣網路或巨量資料分析系統實作、程式撰寫適合擬專心研究論文撰寫，未來從事學術工作者。

符合下列條件之一：
1. 元宇宙、資料探勘與深度學習、多媒體社群網路與通訊網路、應用數學應用相關研究
2. 或者具備演算法設計、圖論、最佳化、賽局理論、機器學習、深度學習、統計推論、隨機程序相關背景愛好數學
3. 或者有興趣網路或巨量資料分析系統實作、程式撰寫

適合擬專心研究論文撰寫，未來從事學術工作者

巨量資料探勘與深度學習相關研究，包含演算法設計、程式撰寫執行、論文撰寫。
主要研究主題包含(但不限)：時空與社群資料探勘與應用、Q&A問答系統、增強式學習與其應用， 適合擬攻讀博士或出國進修者，本實驗室可提供優良訓練環境與研究經歷。

【工作內容】
1. 學習與運用大數據分析與雲端計算、人工智慧(AI)與深度學習，來進行基因體/轉錄體/蛋白質體等多維體之大量序列資訊與人體資料庫相關的應用分析。
2. 進行程式軟體專案開發以及論文撰寫，軟體專案將會發表於GitHub/ DOCKER Hub上，供全球相關研究社群使用，同時也將有機會參與相關和業界及國際學界之合作計畫。

【本實驗室之研究標的】
1. 建置可應用於人類腸道微生物相分型與大量單細胞分類之人工智慧模型。
2. 協助高經濟養殖生物全基因體組裝註解、基因體育種策略之開發與資料庫建置等。
3. 以第三世代長片段定序(Pacbio/ Nanopore)HiFi定序為基礎，結合膜蛋白深度學習模型來找尋新的蛋白標的。
4. 利用機器學習與深度學習策略，發展人工智慧模型，來解析如宿主與病原蛋白質交互網路的拮抗與新藥標的(如新型抗菌肽與功能胜肽)的設計與驗證。
5.利用台灣人體資料庫(Taiwan BioBank)之巨量資料建立高齡健康預測模型，並結合大型語言模型(RAG+LLMs)來進行與生醫農學大數據分析等有趣問題。

【工作環境】
位於中央研究院資訊所內，實驗室軟、硬體配備齊全，具雲端環境及大數據計算平台，可進行多樣的研究計劃，參與國內外合作計畫，並學習到最新的研究技術及方法。同時，院內經常舉辦相關演講與訓練課程，研究與學習環境甚佳，與學界及產業界交流也相當暢通與頻繁。

參與機器學習、人工智慧、或是賽局理論相關方面的研究

參與電腦視覺、人工智慧與機器學習相關研究，目前本實驗室的研究聚焦於開發deep learning架構與演算法在電腦視覺的應用。研究重點如下: (1) Image and Video Anomaly Detection and Localization; (2) Computer Vision Techniques for 3D Point Clouds; (3) Video Action and Activity Recognition; (4) Foundation Model Inspired Computer Vision Techniques; (5) Self-Supervised Learning for Computer Vision Applications; (6) Efficient Generative Models, including Diffusion Models, VAEs, GANs, etc.; (7) Deepfake Detection; and (8) Federated Learning Algorithms and Optimization。

參與深度強化式學習、電腦遊戲、最佳化問題等相關研究，研究領域包含機器學習、深度強化式學習、搜尋演算法、最佳化問題、人工智慧、電腦遊戲等。研究主題為應用深度強化式學習於電腦遊戲(如棋盤類遊戲、電玩遊戲等)、機器人操作、最佳化問題等應用。工作內容包含研讀論文、資料分析、系統實作、論文撰寫及協助計畫進行之工作等。