Υποψήφιος/α Διδάκτορας: Ενσωματωμένες αρχιτεκτονικές μηχανικής μάθησης στο συνεχές Edge–Cloud για ενεργειακά αποδοτική αίσθηση με επίγνωση πλαισίου σε πραγματικό χρόνο (Embedded Machine Learning Architectures across the Edge–Cloud Continuum for Real-Time, Energy-Efficient Context-Aware Sensing)
Αποστολή βιογραφικών έως: 14/10/2026
Επιστημονικό Αντικείμενο:
Η ομάδα Ψηφιακών Συστημάτων και Ενσωματωμένων Αρχιτεκτονικών του Τμήματος Φυσικής του Αριστοτελείου Πανεπιστημίου Θεσσαλονίκης (https://ksiop.webpages.auth.gr/) αναζητά Υποψήφιο/α Διδάκτορα με αντικείμενο τις αρχιτεκτονικές μηχανικής μάθησης για ενσωματωμένα συστήματα στο συνεχές Edge–Cloud, με στόχο την ενεργειακά αποδοτική αίσθηση με επίγνωση πλαισίου σε πραγματικό χρόνο.
Το διδακτορικό εντάσσεται στο πεδίο των ενσωματωμένων συστημάτων και εστιάζει σε αρχιτεκτονικές μηχανικής μάθησης που εκτελούνται σε πλατφόρμες περιορισμένων πόρων και συνεργάζονται δυναμικά με υποδομές νέφους (cloud). Στόχος είναι η ανάπτυξη ολοκληρωμένων λύσεων με χαμηλή καθυστέρηση, χαμηλή κατανάλωση ισχύος και υψηλή αξιοπιστία σε εφαρμογές πραγματικού χρόνου.
Οι ερευνητικοί άξονες του επιστημονικού αντικειμένου περιλαμβάνουν:
- Συμπαγή μοντέλα ML/DL για ενσωματωμένες συσκευές (κβαντοποίηση, κλάδεμα – pruning, απόσταξη γνώσης – knowledge distillation, TinyML), με επεξεργασία δεδομένων από πολλαπλούς αισθητήρες και ασύρματες διεπαφές (σύντηξη αισθητήρων – sensor fusion).
- Δυναμική κατανομή του υπολογιστικού φόρτου μεταξύ edge και cloud, καθώς και κατανεμημένη, ομοσπονδιακή (federated) και συνεχής (continual) μάθηση, για προσαρμογή σε μεταβαλλόμενες συνθήκες με διατήρηση της ιδιωτικότητας των δεδομένων.
- Συν-σχεδίαση υλικού/λογισμικού (FPGA, SoC, επιταχυντές κλάσης MCU) και πειραματική αξιολόγηση σε πραγματικές πειραματικές διατάξεις ως προς την ακρίβεια, την καθυστέρηση, την ενεργειακή κατανάλωση και την επεκτασιμότητα.
Οι υποψήφιοι/ες θα πρέπει να διαθέτουν:
- Δίπλωμα ή μεταπτυχιακό τίτλο από Σχολή/Τμήμα Φυσικής, Πληροφορικής, Μηχανικών Υπολογιστών, Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ή σε συναφές αντικείμενο.
- Καλή γνώση των βασικών αρχών της Μηχανικής/Βαθιάς Μάθησης.
- Εμπειρία προγραμματισμού σε Python και C/C++.
- Πολύ καλή γνώση της αγγλικής γλώσσας για επιστημονική γραφή.
- Ικανότητα ανεξάρτητης εργασίας, αναλυτική σκέψη και πνεύμα συνεργασίας.
Επιπλέον, θα εκτιμηθεί ιδιαίτερα:
- Εμπειρία με PyTorch ή TensorFlow
- Εμπειρία με μικροελεγκτές, FPGA (HDL/HLS) ή πλατφόρμες edge (Jetson, Raspberry Pi κ.ά.).
- Εμπειρία με TinyML, βελτιστοποίηση μοντέλων ή ομοσπονδιακή μάθηση.
- Εξοικείωση με περιβάλλοντα cloud/containerization (Docker, Kubernetes, MQTT) και εργαλεία MLOps.
- Προηγούμενες δημοσιεύσεις ή συμμετοχή σε ερευνητικά έργα.
Η θέση αφορά πλήρη απασχόληση με φυσική παρουσία στο Εργαστήριο Ηλεκτρονικής Φυσικής του ΑΠΘ στη Θεσσαλονίκη με δυνατότητα ενεργού συμμετοχής σε εθνικά και ευρωπαϊκά ερευνητικά έργα, σε συνεργασία με ερευνητικούς και βιομηχανικούς φορείς της Ελλάδας και του εξωτερικού.
Το Εργαστήριο Ηλεκτρονικής Φυσικής προσφέρει ένα ενεργό ερευνητικό περιβάλλον με άμεση συνεργασία με επιστήμονες στην Ελλάδα και το εξωτερικό στους τομείς των ενσωματωμένων συστημάτων και της ενσωματωμένης τεχνητής νοημοσύνης (edge AI), της επιτάχυνσης υλικού (FPGA, GPU), του Διαδικτύου των Πραγμάτων (IoT), των κυβερνοφυσικών συστημάτων, της προσεγγιστικής υπολογιστικής, της αξιοπιστίας και ανοχής σε σφάλματα, καθώς και της βελτιστοποίησης ισχύος και συλλογής ενέργειας από το περιβάλλον.
Οι ενδιαφερόμενοι/ες παρακαλούνται να αποστείλουν βιογραφικό σημείωμα, αναλυτική βαθμολογία και σύντομη επιστολή ενδιαφέροντος στο: ksiop[at]auth.gr (Κώστας Σιώζιος).
Ομάδα Ψηφιακών Συστημάτων και Ενσωματωμένων Αρχιτεκτονικών
Εργαστήριο Ηλεκτρονικής Φυσικής
Τμήμα Φυσικής
Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης