中央研究院 Logo

1. 加入本實驗室成員， 將協助以下計畫：以分子生物學或代謝體探討植物小分子在Systemic Acquired Resistance扮演的角色。
2. 將會定期進行科學文獻研讀和研究成果會議。
3. 將協助實驗室行政或例行維護工作。
4. 加入後將受訓代謝體或蛋白質, 植病相關實驗操作。因實驗需求, 可能需要出差。

1.辦理國際學術交流事務、學術會議及研討會。
2.來訪學者住宿、簽證辦理、研究室安排等相關事務。
3.協助本所英文網頁維護及翻譯。
4.其他臨時交辦事項。

• 使用大氣模式及觀測資料分析及繪圖
• 協助實驗室相關研究活動

主要工作為執行國科會及其他相關研究計畫，研究主軸聚焦於新興環境污染物暴露及早期健康效應指標(如氧化傷害壓力)對於易受傷害族群(例如母親及胎兒)的潛在健康風險之相關研究。透過開發尖端分析平台，深入探討氣候變遷下的主要環境因子與疾病機制的關聯，並尋求健康促進之介入調適。

具體工作項目如下：
1. 可獨立操作HPLC、LC/MS/MS、GC/MS/MS等儀器
2. 人體生物檢體（如尿液、血液等）中生物指標之分析方法開發與優化
3. 分析流行病學資料，整合環境暴露數據與健康效應結果
4. 計畫管理、研究報告論文撰寫與投稿國際學術期刊
5. 支援環境健康微型感測器之相關研究活動
6. 完成主管交辦的其他研究相關事項

研究室目前主要進行生態系統服務（Ecosystem Services）評估相關研究，歡迎對此領域有興趣的夥伴加入研究團隊！
1. 蒐集生態系統服務資料，進行空間分析及建模
2. 生態系統服務貨幣化估算

(1)處理環境及健康資料，或以GIS進行氣象、人口社經及空氣品質資料分析。
(2)支援實驗室其他相關研究活動及計畫臨時交辦事項。

主要從事天文望遠鏡接收機系統及其元件設計、測試、整合與安裝。與工作團隊同仁清楚表達與溝通，並依據需求發展適當的接收機元件與子系統。

1、 協助執行臺灣人體生物資料庫（Taiwan Biobank）各項駐站管理與行政作業。
2、 擔任各合作醫院之聯繫窗口，進行溝通、協調與業務接洽。
3、 協助計畫相關宣導、說明及推廣事務。
4、 協助文件整理、資料建檔及其他行政相關工作。
5、 配合計畫需求，不定期支援全台各地駐站收案相關業務。
6、 其他主管交辦之計畫相關事項。

研究聚焦於離線RL(Reinforcement Learning)、穩健性RL模型，以及在金融與機器人等真實場域的應用。
主要職責
- 進行 RL 相關研究
- 主導或參與頂尖國際會議／期刊投稿
- 協助撰寫研究計畫並推動產學合作

We seek a highly motivated postdoctoral researcher who wants to push the frontier of sequential decision-making under uncertainty and deploy results in impactful domains.

- Conduct independent and collaborative research on RL
- Co-supervise graduate students and research assistants
- Lead or contribute to top-tier conference/journal submissions
- Assist with grant writing and industry collaborations

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。

1. 參與自然語言處理、機器學習等相關技術，
並結合問卷調查資料分析，研究重要社會議
題。
2. 爬蟲程式開發與維護。
3. 資料處理（以Pandas 為主，並熟悉各類檔
案、資料庫資料存取管理）。
4. 資料分析（可重現相關研究分析，並改動、
客製分析細節）。
5. 文獻蒐集與研讀。
6. 其他主管交辦事項。

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。