Väi­tös­kir­ja­tut­ki­ja Pro­ba­bi­lis­tic Mac­hi­ne Lear­ning

Doctoral Researcher in Probabilistic Machine Learning Aalto-yliopistossa tiede ja taide kohtaavat tekniikan ja talouden. Rakennamme kestävää tulevaisuutta saavuttamalla läpimurtoja avainalueillamme ja niiden yhtymäkohdissa. Samalla innostamme tulevaisuuden muutoksentekijöitä ja luomme ratkaisuja maailman suuriin haasteisiin. Yliopistoyhteisöömme kuuluu 14 000 opiskelijaa ja noin 5000 työntekijää, joista 400 on professoreita. Kampuksemme sijaitsee Espoon Otaniemessä. Monimuotoisuus on osa meitä, ja teemme jatkuvaa työtä yhteisömme monimuotoisuuden ja syrjimättömyyden varmistamiseksi. Siksi kannustammekin päteviä hakijoita taustasta riippumatta liittymään yhteisöömme. Aalto-yliopiston tietotekniikan laitos on yksi Pohjois-Euroopan johtavista tietotekniikan tutkimuksen yksiköistä ja sijaitsee Espoossa Otaniemen kampuksella. Yli 450 työntekijää työllistävä tietotekniikan laitos on Aalto-yliopiston suurin laitos. Laitos kuuluu Aalto-yliopiston perustieteiden korkeakouluun. Nyt etsimme: Väitöskirjatutkijaa Etsimme tohtoritutkija, jolla on vankka tausta todennäköisyyspohjaisessa koneoppimisessa, tilastotieteessä, sovelletussa matematiikassa, tietojenkäsittelytieteessä tai vastaavalla alalla sekä vahvat ohjelmointitaidot. Tehtävään kuuluu koneoppimisen tutkiminen biologisesta näkökulmasta dynaamisten järjestelmien alalla (katso projektikuvaus alla). Työpaikka sijaitsee Aalto-yliopiston tietojenkäsittelytieteiden laitoksella Suomessa, tutkimusympäristössä, johon kuuluvat laskennallisen systeemibiologian ryhmä, Suomen tekoälykeskus (FCAI) ja ELLIS-instituutti. Ohjaajinasi toimivat tohtori Julien Martinelli ja apulaisprofessori Harri Lähdesmäki. Työpaikka tarjoaa pääsyn laajaan paikalliseen tutkimusverkostoon bayesilaisen koneoppimisen ja laskennallisen biologian aloilla. Tiimisi Tohtori Martinelli on Suomen tutkimusneuvoston myöntämän akatemian tutkimusapurahan turvin työskentelevä riippumaton tutkija, joka kehittää biologiaan perustuvia koneoppimismenetelmiä biolääketieteellisiin sovelluksiin. Apulaisprofessori Lähdesmäki johtaa Aallon laskennallisen systeemibiologian ryhmää ja hänellä on laaja asiantuntemus biologisten järjestelmien bayesilaisesta päättelystä. Hankkeen kuvaus Tavalliset differentiaaliyhtälömallit (ODE) tarjoavat tulkittavia kuvauksia biologisista prosesseista, mutta ne ovat usein puutteellisia: mekanismit voivat olla tiedossa vain osittain, tiedot ovat kohinaisia ja harvoin kerättyjä, mittaustulokset vaihtelevat yksilöiden ja olosuhteiden välillä, ja joitakin merkityksellisiä biologisia tiloja ei voida havaita. Pelkästään dataan perustuvat mallit tarjoavat joustavuutta, mutta niissä jätetään usein huomiotta vakiintunut biologinen tieto ja ne antavat vain rajallista käsitystä epävarmuudesta ja mekanismeista. Nämä haasteet kannustavat omaksumaan laajemman, biologiaan perustuvan lähestymistavan koneoppimiseen. Nämä haasteet edellyttävät laajempaa, biologian näkökulmasta lähestyvää lähestymistapaa koneoppimiseen [1]. Tohtoriopiskelijan väitöskirja keskittyy tämän näkökulman operationalisointiin kehittämällä biologiaan perustuvia Gaussin prosesseja (BioGP:t). Kyseessä ovat bayesilaiset dynaamiset mallit, joissa yhdistyvät tunnetut mekanistiset komponentit ja joustavat Gaussin prosessitermit, jotka kuvaavat tuntematonta tai virheellisesti määriteltyä biologista toimintaa. Hakijan kiinnostuksen kohteista riippuen voi olla myös mahdollisuuksia yhdistää tämä tutkimus dynaamisten järjestelmien uusimpiin säätiömallipohjaisiin lähestymistapoihin [2]. Näihin suuntiin yhteisiä keskeisiä metodologisia kysymyksiä ovat muun muassa epävarmuuden luotettava kvantifiointi, johtopäätösten tekeminen heterogeenisista kehityskuluista, osittainen havainnoitavuus sekä epävarmojen ennakkotietojen integrointi. Keskeisenä tavoitteena on myös mennä kehityskulun ennustamista pidemmälle yhdistämällä nämä lähestymistavat menetelmiin, joilla opitaan eksplisiittisiä, tulkittavissa olevia mekanistisia differentiaaliyhtälöitä, mukaan lukien niiden symbolinen rakenne [3]. Lopuksi mainittakoon, että ryhmän viimeaikaisiin töihin kuuluvat ei-parametriset sekavaikutteiset ODE-mallit populaatio- ja koehenkilökohtaisen dynamiikan mallintamiseen [4] sekä GP-pohjaiset lähestymistavat ajallisten yksisolutietojen mallintamiseen [5]. Valikoituja lähteitä [1] J. Martinelli. “Position: Biology is the Challenge Physics-Informed ML Needs to Evolve”. In: Advances in Neural Information Processing Systems. Vol. 38. OpenReview . 2025. [2] J. R. Hübers et al. “Foundation Inference Models for Ordinary Differential Equations”. In: Forty-third International Conference on Machine Learning . 2026. [3] C. Métayer, A. Ballesta, and J. Martinelli. “Data-driven discovery of digital twins in biomedical research”. In: Briefings in Bioinformatics 27.1 (2026), bbaf722. DOI: 10.1093/bib/bbaf722. [4] J. Martinelli et al. Bayesian Nonparametric Mixed-Effect ODEs with Gaussian Processes. 2026. arXiv: 2605.13088 [cs.LG]. [5] M. Y. Balik and H. Lähdesmäki. “Modeling Temporal