Becario de Doctorado en Machine Learning

Keysight está a la vanguardia de la innovación tecnológica, ofreciendo avances y conocimientos de confianza en diseño electrónico, simulación, prototipado, pruebas, fabricación y optimización. Nuestros aproximadamente 16.800 empleados crean soluciones de clase mundial en los mercados de comunicaciones, 5G, automoción, energía, cuántica, aeroespacial, defensa y semiconductores para clientes en más de 100 países. Obtenga más información sobre lo que hacemos.

Nuestra cultura galardonada abraza una visión audaz de hacia dónde puede llevarnos la tecnología y la pasión por abordar problemas desafiantes con soluciones pioneras en la industria. Creemos que cuando las personas sienten un sentido de pertenencia, pueden ser más creativas, innovadoras y prosperar en todos los puntos de sus carreras.

El equipo de IA de Keysight desarrolla métodos de aprendizaje automático y optimización para problemas de ingeniería donde interactúan flujos de trabajo de simulación, medición y diseño inteligente.

Esta pasantía se centra en el benchmarking riguroso de métodos de aprendizaje automático y optimización para el diseño inverso y la optimización. Las comparaciones significativas requieren más que ejecutar diferentes algoritmos en el mismo problema: los objetivos, las restricciones, la inicialización, los presupuestos de evaluación, la configuración de la simulación y los procedimientos estadísticos deben controlarse cuidadosamente.

Desarrollarás un marco de benchmarking reproducible para comparar un flujo de trabajo de diseño de ingeniería existente con métodos académicos y de código abierto seleccionados a través de problemas representativos de diseño inverso y optimización.

Como PhD Intern en Machine Learning and Optimization, diseñarás, implementarás y evaluarás una suite de benchmarking que cubra un pequeño número de problemas de diseño de ingeniería representativos.

El trabajo abarca todo el proceso de benchmarking: revisión de investigaciones relevantes, selección de métodos de comparación sólidos, definición de protocolos experimentales justos, integración de implementaciones disponibles, automatización de experimentos basados en simulación y análisis de dónde tienen éxito o fracasan los diferentes enfoques.

Un objetivo central será distinguir las diferencias algorítmicas significativas de los efectos causados por el presupuesto de evaluación, la inicialización, el coste de entrenamiento, la aleatoriedad o las elecciones de implementación. Medirás tanto la calidad de la solución de ingeniería final como el esfuerzo computacional o de simulación requerido para obtenerla.

La pasantía se centrará en dos casos de uso de ingeniería acordados y aproximadamente dos o tres métodos de referencia cuidadosamente seleccionados. El objetivo es la profundidad y el rigor experimental en lugar de un estudio de algoritmos amplio pero superficial.

Al final de la pasantía, entregarás un flujo de trabajo de benchmarking reproducible, resultados de comparación cuantitativa y un informe técnico basado en evidencias que describa el rendimiento, la robustez, las limitaciones y las áreas que requieren una evaluación más profunda.

Trabajarás junto a investigadores de aprendizaje automático, expertos en optimización e ingenieros de simulación.

• Revisar la investigación de vanguardia relevante y las implementaciones de código abierto disponibles en diseño inverso, optimización de caja negra, aprendizaje por refuerzo y métodos relacionados, según sea apropiado para los casos de uso seleccionados.
• Seleccionar un pequeño conjunto de métodos de referencia técnicamente significativos junto con los investigadores supervisores.
• Definir problemas de optimización de ingeniería representativos con variables de diseño, objetivos, restricciones, rangos de parámetros y configuraciones de simulación explícitos.
• Establecer protocolos experimentales emparejados que cubran la inicialización, las semillas aleatorias, los presupuestos de evaluación, los criterios de parada, el manejo de restricciones y los costes de entrenamiento o de construcción de modelos.
• Adaptar e integrar las implementaciones de referencia con los flujos de trabajo de simulación de ingeniería existentes.
• Automatizar experimentos repetidos utilizando scripts reproducibles y flujos de trabajo basados en configuración.
• Medir la calidad del diseño final bajo presupuestos de evaluación de ingeniería fijos.
• Cuantificar la eficiencia de muestreo, incluyendo el número de evaluaciones de simulación o de ingeniería necesarias para alcanzar los objetivos de rendimiento definidos.
• Comparar la satisfacción de los objetivos, la calidad de los objetivos, las violaciones de restricciones, el coste de tiempo real (wall-clock cost) y la variabilidad a través de ejecuciones repetidas.
• Contabilizar explícitamente la inicialización, el ajuste de modelos sustitutos (surrogate-model fitting), el entrenamiento de políticas u otros costes específicos del algoritmo cuando sea relevante.
• Evaluar la robustez a través de semillas aleatorias, variaciones del problema, observaciones con ruido y espacios de diseño restringidos.
• Investigar dónde los métodos funcionan de manera consistente, dónde los resultados se vuelven inestables y dónde las conclusiones dependen fuertemente del problema o presupuesto seleccionado.
• Evaluar la reutilización o transferencia de información entre problemas de diseño relacionados cuando sea apropiado.
• Registrar configuraciones, versiones de software, semillas aleatorias, conjuntos de datos y resultados experimentales para que las comparaciones puedan ser reproducidas.
• Producir scripts de benchmarking reutilizables, herramientas de análisis, gráficos y tablas.
• Documentar las fuentes de software, las dependencias y la información de licencias para revisión interna.
• Presentar los hallazgos con una clara separación entre las conclusiones respaldadas experimentalmente, las limitaciones observadas y las áreas que requieren más estudio.

• Aplicar métodos modernos de optimización y aprendizaje automático a problemas de diseño de ingeniería realistas.
• Aprender a diseñar benchmarks estadísticamente sólidos para la optimización basada en simulación y el diseño inverso.
• Desarrollar una comprensión práctica de la eficiencia de muestreo, la robustez, el comportamiento de convergencia y la calidad de la solución.
• Aprender cómo los presupuestos de evaluación y las elecciones de protocolo experimental pueden afectar materialmente a las conclusiones sobre el rendimiento de los algoritmos.
• Ganar experiencia en la evaluación de métodos de investigación en cuanto a reproducibilidad, aplicabilidad y relevancia para la ingeniería.
• Lograr fluidez de trabajo con la optimización impulsada por simulación y los flujos de trabajo de diseño de ingeniería.
• Desarrollar experiencia en la automatización de grandes estudios experimentales y en la comunicación clara de la incertidumbre y las limitaciones.
• Llevar una metodología de benchmarking desde experimentos de investigación hasta un marco de evaluación de ingeniería reutilizable.

• Cursando actualmente o habiendo completado recientemente un doctorado en Machine Learning, Ciencias de la Computación, Ingeniería Eléctrica o Electrónica, Matemáticas Aplicadas o un campo técnico relacionado.
• Sólidas habilidades de programación en Python, incluyendo computación científica, análisis de datos y automatización de experimentos.
• Sólida comprensión de la optimización numérica, el aprendizaje automático, el diseño experimental y la evaluación estadística.
• Experiencia implementando, adaptando o evaluando algoritmos de optimización o aprendizaje automático más allá de ejemplos a escala de tutorial.
• Familiaridad con al menos una clase relevante de métodos, como la optimización bayesiana, la optimización evolutiva o global, la optimización asistida por modelos sustitutos, la optimización de políticas o el aprendizaje por refuerzo basado en modelos.
• Capacidad para leer artículos de investigación de forma crítica, comprender los supuestos metodológicos y traducir los métodos publicados en experimentos reproducibles.
• Experiencia con la evaluación experimental repetida, múltiples semillas aleatorias, comparaciones controladas y análisis cuantitativo.
• Conocimientos prácticos de probabilidad, estadística y la interpretación de la variabilidad en las ejecuciones experimentales.
• Disciplina experimental, incluyendo el uso cuidadoso de métodos de referencia, reproducibilidad, seguimiento de experimentos y notificación transparente de resultados no concluyentes o negativos.
• Disposición para comprender el problema de ingeniería subyacente en lugar de tratarlo como un benchmark de optimización abstracto. Se proporcionará mentoría en el dominio.
• Comunicación técnica clara y capacidad para colaborar con investigadores e ingenieros de diferentes perfiles técnicos.

• Familiaridad con Git, desarrollo de software modular y flujos de trabajo de experimentos reproducibles.
• Comodidad trabajando con código de investigación existente e interfaces de simulación en lugar de desarrollar exclusivamente a partir de ejemplos desde cero.
• Comprensión del seguimiento de experimentos, la comparación estadística y la reproducibilidad numérica.
• Capacidad para diseñar una evaluación que responda a una pregunta técnica en lugar de simplemente producir un número favorable.
• Capacidad para comunicar supuestos, limitaciones e incertidumbre de forma clara.