中央研究院 Logo

詳情請見本所網站 http://www.asiaa.sinica.edu.tw/jobopening/ad.php?i=56fc3ed4417e96da0679a1ca01bc06fe

(1)實驗室化學分析及樣本前處理。
(2)資料處理、支援實驗室其他研究與觀測活動及計畫臨時交辦事項。

(1)負責熱危害與健康調適研究計畫執行及管理。
(2)支援環境健康微型感測器或空氣品質觀測相關研究活動。

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

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。

我們正在尋找經驗豐富的行動應用程式開發人員，協助將 PQConnect 專案帶入 Android 和 iOS 作業系統。PQConnect 是一個全新且易於安裝的網路安全層，它能在有運行 PQConnect 的終端之間自動引入端到端的後量子加密技術。同時，它能與採用傳統密碼學的應用程式共同運作，並為任何已經內建後量子加密技術的使用者應用程式額外增加第二層的防護。PQConnect 在網路層的運作方式類似於 VPN，但它可容許的擴展性是大多數 VPN 應用程式所無法比擬的。如需了解更多資訊，請參考： https://www.pqconnect.net

協助探討神經細胞發育、突觸可塑性與大腦學習記憶或感官功能之機制研究。
依助理專長 / 性向進行細胞生物、基礎生化、影像擷取、數據分析、電生理或小鼠行為學實驗，並協助實驗室例行事務與管理。

研究重點為癌症及血液疾病相關的訊息傳導研究，及標靶/免疫治療之開發。

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.

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。