Doktoriõppe kolmas vastuvõtt
Loodus- ja täppisteaduste valdkonnas toimus kolmas vastuvõtt 15. - 30. september.
Alates 2022/2023. õppeaastast on doktorant üldjuhul nii üliõpilane kui nooremteadur, pärast vastuvõtuotsust sõlmitakse temaga tööleping. Erandlikel juhtudel toimub konkurss õppekohtadele ilma nooremteaduri töölepinguta. Loe lähemalt doktorandi staatuse ja rahastuse kohta.
LT valdkonna vastuvõtutingimused ja hindamiskriteeriumid
Loodus ja täppisteaduste valdkonnas tuleb kõikidel kandidaatidel esitada koos avaldusega SAIS-is motivatsioonikiri ja CV. Kandidaate hinnatakse motivatsioonikirja ja sisseastumisintervjuu alusel. (välja arvatud loodusteadusliku hariduse eriala, kus motivatsioonikirja asemel tuleb esitada doktoritöö kavand)
Kandideeritakse väljakuulutatud projektidele.
Motivatsioonikirja ja intervjuu maksimaalne võimalik punktisumma on 100 punkti, millest kumbki vastuvõtutingimus annab kuni 50 punkti. Intervjuule lubatakse kandidaadid, kelle doktoritöö kavandit hinnati vähemalt 70 protsendiga võimalikust punktide hulgast (ehk 35 punktiga). Vastuvõtutingimusi ei täida üliõpilaskandidaat, kelle kummagi vastuvõtutingimuse hindamise tulemus on vähem kui 70 protsenti võimalikust punktide hulgast (ehk alla 35 punkti).
SAISis avaldust esitades tuleb valida projekt, millele soovitakse kandideerida. Kandideerida saab ainult ühele projektile. Kandidaatidel tuleb koostada lühike motivatsioonikiri (eesti või inglise keeles, maksimaalselt 6000 tähemärki koos tühikutega), tuginedes järgmistele punktidele:
- Miks teid huvitab see doktoriprojekt, selgitage oma valikut.
- Millised on teie varasemad kogemused selles valdkonnas? Selgitage, kuidas teie haridus- ja ametialane taust on seotud projektiga, kuhu kandideerite.
- Millised on analüütilised/teaduslikud meetodid, mida te valdate?
- Kirjeldage lühidalt oma magistritöö meetodeid ja peamisi tulemusi.
- Esitage oma varasemad uurimistegevused, sealhulgas teaduspublikatsioonid ja konverentsiettekanded, kui need on olemas.
Motivatsioonikirja puhul hinnatakse:
- kandidaadi motivatsiooni ja oskuste argumenteerimist ning projekti valiku põhjendust
- asjakohast õppe- ja töökogemust ning teisi asjakohaseid tegevusi (artiklid, projektijuhtimine jne), nagu on nõutud motivatsioonikirja esitamisel.
Intervjuu
Kandidaat peab komisjoni poolt läbi viidud sisseastumisvestluse käigus kirjeldama doktoriprojekti laiemat teaduslikku tausta ja tulemuste võimalikku rakendatavust ning oma motivatsiooni asuda doktoriõppesse valitud projektiga. Intervjuule kutsutakse kandidaadid, kelle motivatsioonikirja on hinnatud positiivselt (vähemalt 35 punkti 50st).
Intervjuu käigus hinnatakse:
- teadmisi projekti laiemast teaduslikust taustast ja oodatavate tulemuste võimalikust rakendamisest
- kandidaadi motivatsiooni jätkata doktoriõpinguid vastavas teadusvaldkonnas ja sellel alal töötada
- laiemaid analüüsi- ja üldistamisoskusi õpingutes ja uurimisteemadel.
Intervjuud ja motivatsioonikirja hinnatakse 50-punkti skaalal, minimaalne positiivne tulemus mõlema vastuvõtutingimuse eest on 35 punkti. Kokku on võimalik saada maksimaalselt 100 punkti. Vastuvõtutingimused täidab üliõpilaskandidaat, kelle kummagi vastuvõtutingimuse hindamise tulemus on vähemalt 70 protsenti võimalikust punktide hulgast. Vastuvõtt toimub paremusjärjestuse alusel.
Vastuvõtuks avatakse järgmised projektid:
Informaatika
Juhendajad: Kallol Roy, Madis Kiisk
Kosmiliste kiirte tomograafia (CRT) kasutab peidetud objektide tuvastamiseks 3D-pildistamiseks kosmiliste kiirtega müone. CRT-l on transformatiivne potentsiaal sellistes valdkondades nagu lennujaama turvalisus, infrastruktuuri kontroll ja tervishoid. Analüüsides müonite Coulombi hajumist, rekonstrueerib ja eristab see materjale. Siiski on vaja rohkem uuringuid, et CRT oleks praktiline alternatiiv röntgenitehnoloogiale, kuna see seisab silmitsi selliste väljakutsetega nagu skaneerimisaeg, jälgimise täpsus, impulsi hindamine ja kuluefektiivsus. Sügaval õppimisel (DL) põhinevat tehisintellekti lahendust pakutakse välja, et täiustada CRT tomograafilise kujutise rekonstrueerimist ja materjalide klassifitseerimist. DL-mudel, mis on koolitatud müoni jälgimisandmetega, käsitleb rekonstrueerimis- ja klassifitseerimisülesandeid. Spectral Gap tehnikat kasutades tuvastab see narkootilisi aineid ja tuumamaterjale, analüüsides müonkiirguse vastuvõttu pärast hajumist. Spektrilõhe on võimas tehnika ja see lahutab ajaga integreeritud müüoni energiaspektris muutuvad ja korrelatsioonis olevad optimaalsed müüonikiired teistest. See uudne meetod kasutab pöördmodelleerimiseks tooreid müonkiirguse andmeid, mis esindab valdkonnas teedrajavat lähenemisviisi. Masinõppe baasmudelit saab kasutada kujutise rekonstrueerimise pöördprobleemi lahendamiseks teistes valdkondades, nt. Terahertsi sensor.
Juhendajad: Marek Oja, Kerli Mooses
Ravijuhendite ja -teekondade eesmärk on parandada ravikvaliteeti, patsiendi ohutust ja tagada efektiivne ressursside kasutamine tervishoiusüsteemis. Päriselu andmed, mis pärinevad raviarvetest, elektroonilistest terviseandmetest ja retseptiravimite andmebaasist võimaldavad saada paremat ülevaadet tegelikust olukorrast aga ka ajas toimunud muutustest, andes olulist sisend ravijuhendite- ja teekondade arendamisesse ja hindamisesse. See omakorda aitab kaasa tervishoiuteenuste kvaliteedi parandamisele.
Käesoleva projekti eesmärk on parandada terviseandmete teisest kasutamist ravijuhendite ja -teekondade loomisel, jälgimisel ja hindamisel. Projekti raames luuakse standardiseeritud taaskasutatavad lahendused (nt R pakett), millega saab lihtsalt hankida ja visualiseerida ravijuhendite ja -teekondade loomiseks ja hindamiseks vajalikke andmeid ning hinnata kõrvalekaldeid ravijuhenditest ja -teekondades koos kuluga tervishoiusüsteemile. Projekti elluviimisel kasutatakse Eesti rahvastiku suhtes esinduslikku andmebaasi, mis sisaldab kõiki retseptiandmeid ning tervisesündmusi digiloost ja raviarvetest. Antud andmebaas on viidud OMOP CDM andmemudelile, mis lihtsustab loodava lahenduse rakendatavust rahvusvaheliselt.
Keemia
Juhendajad: Siim Salmar, Anu Ploom
Lignotselluloossel biomassil, sh puidul kui taastuval ressursil on suur potentsiaal süsinikul põhineva kemikaali- ja materjalitööstuse mitte fossiilseks muutmiseks. Kaasaegsed biorafineerimistehnoloogiad muudavad madala kvaliteediga puidu ja puidutöötlemisjäägid kõrge väärtusega biokemikaalideks ja materjalideks. Enamik neist lähenemisviisidest hõlmab puidu lagundamist, mis algab hemitselluloosi muundamisega vees lahustuvateks monosahhariidideks ning lahustumatuks ligniini ja tselluloosi seguks (LCM, ligniini-tselluloosi segu). Nende lähenemisviiside edasine fookus on vabade suhkrute, tselluloosi derivaatide (mikrokristalliline tselluloos ja nanotselluloosmaterjalid) ja puhta ligniini saamine LCM-ist.
Selle projekti raames on koostöös puidu biorafineerimise ettevõttega Fibenol OÜ esmakordselt fookuses LCM-i vahetu väärtustamise võimaluste uurimine uuteks kõrge väärtusega materjalideks. Plaanis on kasutada lahustifraktsioneerimist ligniini ja tselluloosi sisalduse kontrollimiseks LCM-is ning ultrahelitehnoloogiat uudsete ligniini-nanotselluloosi (nLCM) materjalide valmistamiseks. Kasutatavate tehnoloogiate põhimõtted töötati välja meie laboris varasemate alusuuringute raames. Projekti raames optimeeritakse ultrahelitöötlustingimusi, et saada pilootmastaabis uudseid nLCM-materjale ning uuritakse nende materjalide rakendatavust polümeeride sünteesiks ja prototüüpmaterjalide valmistamiseks.
Elurikkus ja ökoloogiline jätkusuutlikkus
Juhendajad: Leho Tedersoo, Saad Alkahtani (koostööprojekt King Saud University)
Käesoleva projekti eesmärk on selgitada kõrbes elevate seente ja bakterite kooslusi mõjutavad biootilised ja abiootilised tegurid, kasutades kaasaegseid molekulaarse analüüsi, bioinformaatika ja statistika meetodeid. Projekti käigus selgitatakse välja ka mikrobioomi mõju kserofiilsete puude istutamiseks kõrbetesse. Uuritakse isoleeritud mikroobide sobivust inokuleerimiseks. Doktoritöö otsib võimalusi kliimamuutuste ja inimmõju vähendamiseks kõrbepiirkondades.