中央研究院 Logo

我們的研究領域涵蓋計算生物學，資料科學與機器學習。研究題目包含：癌症基因體之資料整合，對異質性腫瘤之治療策略，單細胞基因體資料分析，人類族群生物網路之演化，網路拓璞分析，及以深度神經網路進行非監督式學習等。團隊成員將會學到特定領域知識，科學推理，建立並解數學模型，開發演算法，撰寫程式，收集並分析大數據，且與團隊成員與合作者密切合作。我們希望找到對科學研究與解決新問題具有熱忱並願意投入時間與精力的成員。

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. 模型壓縮與計算優化研究。
模型壓縮技術 (pruning and quantization) 透過減少AI模型容量與運算量，實現模型執行加速，對於嵌入式系統等資源受限的計算平台以及記憶體有限的AI加速器至關重要。為了有效執行壓縮後的模型，許多次世代處理器設計了新的運算功能，例如向量運算 (Intel AVX512, ARM SVE, RISC-V RVV) 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、異質系統等的壓縮模型的佈署方法。

2. AI加速器設計。
針對深度學習模型的推理加速，在FPGA板上實現AI加速器硬體設計，並進行軟硬體協同設計與優化研究。

3. 異質環境下深度學習模型推論優化研究。
智慧系統如自駕車與語音助理，通常需執行複雜的深度學習模型 (complex deep learning models: hybrid models, multi-models, and multi-task models)。與此同時，電腦架構正朝向異質多處理器設計發展 (heterogeneous architecture: CPUs+GPUs+AI accelerators)。如何整合異質處理器來執行複雜模型並達到高效能的運算，成為一項關鍵且具挑戰性的研究。針對此問題，我們將探討以下方向：(1) 模型運算與異質處理器的分配策略，(2) 排程演算法設計，(3) 模型執行平行化方法，包括資料平行（data parallelism）、模型平行（model parallelism）與張量平行（tensor parallelism）。


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. 模型壓縮與計算優化研究。
模型壓縮技術 (pruning and quantization) 透過減少AI模型容量與運算量，實現模型執行加速，對於嵌入式系統等資源受限的計算平台以及記憶體有限的AI加速器至關重要。為了有效執行壓縮後的模型，許多次世代處理器設計了新的運算功能，例如向量運算 (Intel AVX512, ARM SVE, RISC-V RVV) 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、異質系統等的壓縮模型的佈署方法。

2. AI加速器設計。
針對深度學習模型的推理加速，在FPGA板上實現AI加速器硬體設計，並進行軟硬體協同設計與優化研究。

3. 異質環境下深度學習模型推論優化研究。
智慧系統如自駕車與語音助理，通常需執行複雜的深度學習模型 (complex deep learning models: hybrid models, multi-models, and multi-task models)。與此同時，電腦架構正朝向異質多處理器設計發展 (heterogeneous architecture: CPUs+GPUs+AI accelerators)。如何整合異質處理器來執行複雜模型並達到高效能的運算，成為一項關鍵且具挑戰性的研究。針對此問題，我們將探討以下方向：(1) 模型運算與異質處理器的分配策略，(2) 排程演算法設計，(3) 模型執行平行化方法，包括資料平行（data parallelism）、模型平行（model parallelism）與張量平行（tensor parallelism）。


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。

統計學及資料科學的理論、方法、或應用研究

參與包含深度強化式學習、搜尋演算法、人工智慧、電腦遊戲、大語言模型等研究。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。適合未來計劃出國或從事學術工作者，可以在實驗室有豐富研究經驗及論文發表機會。

- 統計學及資料科學的理論、方法、或應用研究
- 計畫執行與研究成果報告撰寫
- 臨時交辦事項

協助發展統計、machine learning & AI(LLM)等計算方法，應用於predicting drug responses of cancer patients, uncovering biomarkers for immunotherapy (免疫治療), via analyzing genomics data, gene expression and omics data, etc.

The Institute of Information Science at Academia Sinica, Taiwan, R.O.C. seeks candidates for the position of assistant research fellows(equivalent to the rank of assistant professor), in areas related to Intelligence Computing /Theory/System Researches.
Academia Sinica is a national academic research institution in Taiwan. Led by Dr. James C. Liao, a world-renowned scientist and the chief scientific advisor to the R.O.C. government, Academia Sinica conducts research on a broad spectrum of subjects in science and humanities. The Institute of Information Science is committed to quality research in computer and information science. There are over 300 full-time postdoctoral fellows and research assistants (mostly with master degree) working with a faculty of nearly 40 research fellows on various projects. Excellent computing facilities and lab spaces are available for dedicated long-term research. Current research activities are focused on Algorithms and Computation Theory, Machine Learning, Artificial Intelligence, Quantum Computing, Cryptography, Bioinformatics, Natural Language Processing, Data Mining, Formal Methods, Multimedia, Computer Systems, and Networking.
All candidates should have a Ph.D. degree in computer science or closely related fields with good research background and publication records. Salary is based on individual qualification. Additional compensation up to 40% for the first two to three years is available for applicants with exceptional qualifications. In addition to the budgeted research funding supported within Academia Sinica, external funding from government agencies and industry-sponsored institutions is also available.

中央研究院關鍵議題研究中心已建立一個適合製造超導量子晶片，相關控制電路及其他量子材料元件的八吋晶圓製程無塵室，並將對外提供晶片代工服務與製程技術開發合作。為確保該製程無塵室的順利運作，本中心擬增聘一位研究技術人員，工作內容包括：
1.廠務系統與設備維護：
(a) 管理廠務及製程系統運作，負責聯絡設備商，進行設備保養、汰換、升級及處理無塵室突發狀況。
(b) 監控無塵室性能，分析使用模式，優化資源配置與系統調度。
(c) 定期評估並升級無塵室及設施，提升可靠性與穩定性。
2.日常維運與成本控管：參與規劃和制定無塵室管理規範，進行穩定度檢測，並提供技術指南與培訓課程。
3.推動合作案與管理：協助洽談合作案件，收集製程平台反饋並提供支援，同時建立保護智財權措施。
4.無塵室營運規劃與推廣：負責制定無塵室的規章制度、收費標準，並規劃教育訓練和推廣活動。

協助發展及應用統計、機器學習等計算方法，分析基因表現和組學(omics)數據等，應用於預測癌症患者的對免疫治療/標靶藥物反應，發現免疫治療(immunotherapies)的生物標記 (biomarkers)。

【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。

從事統計方法學研究（存活分析、因果推論、統計基因體學）、應用進階統計模型分析健保資料庫及多型態基因體學資料（Taiwan Biobank、Taiwan Precision Medicine Initiative）、模擬分析、撰寫論文。