一、職責(zé)
? Scientist:承擔(dān)一個(gè)子模塊的設(shè)計(jì)/實(shí)現(xiàn)/驗(yàn)證,輸出可復(fù)現(xiàn)報(bào)告與代碼
? Senior:負(fù)責(zé)一個(gè)閉環(huán)任務(wù),產(chǎn)出穩(wěn)定 API工具;沉淀數(shù)據(jù)與評(píng)測(cè)基準(zhǔn)
? Lead/Principal:牽頭路線規(guī)劃與平臺(tái)化落地,推動(dòng)跨團(tuán)隊(duì)協(xié)作與能力復(fù)用
二、關(guān)鍵研究方向
1.物理約束的精準(zhǔn)預(yù)測(cè)模型:PINNs / 算子學(xué)習(xí)(FNO/DeepONet) / GNN-網(wǎng)
格學(xué)習(xí)(MeshGraphNet),提升跨幾何/材料/工況的泛化一致性。
2. 高維設(shè)計(jì)空間探索與帕累托前沿:BoTorch/NSGA-IV/IV貝葉斯優(yōu)化;多目
標(biāo)(損耗/體積/成本)+硬約束(L區(qū)間、Delta T 閾值、B_sat 裕度)。
3. 智能逆向與可微耦合:從指標(biāo)到參數(shù)的一步映射;與 FEM/實(shí)測(cè)的弱/強(qiáng)耦
合訓(xùn)練與一致性校驗(yàn)。
三、任職資格
共同必備
? 扎實(shí)的機(jī)器學(xué)習(xí)/優(yōu)化/數(shù)值分析基礎(chǔ);熱練 Python + PyTorch/JAX,具
備 DDP與混合精度實(shí)踐
?至少一類物理感知建模落地:PINNs / 算子學(xué)習(xí)/ GNN/ 可微仿真(其
—)
?工程化素養(yǎng):實(shí)驗(yàn)/數(shù)據(jù)版本管理(W&B/MLflow + DVC)、單元測(cè)
試、代碼規(guī)范與文檔
? 跨學(xué)科溝通與協(xié)作能力
? 985博士
? 能獨(dú)立完成一個(gè)子方向(磁/熱代理或優(yōu)化器)的端到端實(shí)現(xiàn),并在留
出集達(dá)到既定精度
? 統(tǒng)籌數(shù)據(jù)生成一代理模型一優(yōu)化器的小型課題閉環(huán),交付項(xiàng)目級(jí)成果
(API/工具鏈/報(bào)告)
?具備 UQ/校準(zhǔn)、域外泛化、主動(dòng)學(xué)習(xí)數(shù)據(jù)引擎 等至少一項(xiàng)增強(qiáng)模塊實(shí)
戰(zhàn)
?負(fù)責(zé)技術(shù)路線與跨團(tuán)隊(duì)協(xié)同,制定評(píng)測(cè)基準(zhǔn)與關(guān)鍵指標(biāo);推動(dòng)多項(xiàng)自規(guī)
?;瘡?fù)用
?面向業(yè)務(wù)抽象通用能力層,推動(dòng)平臺(tái)化/產(chǎn)品化與標(biāo)準(zhǔn)化接口
四、技術(shù)技能
必需:PyTorch/AX;DDP/AMP;至少一種 PINNs/算子學(xué)習(xí)/GNN;
BoTorch/Optuna 或 NSGA-I/II;PDE 數(shù)值法/優(yōu)化理論基礎(chǔ)
加分:CUDA/Triton/TensorRT;可微仿真或與 Ansys/COMSOUJMAG 的耦合訓(xùn)
練;UQ/校準(zhǔn)/魯棒性;主動(dòng)學(xué)習(xí)數(shù)據(jù)引擎;圖學(xué)習(xí)(PyG/DGL)
五、工程化與 MLOpS
? 可復(fù)現(xiàn)實(shí)驗(yàn)?zāi)0澹号渲没㈦S機(jī)種子、統(tǒng)一日志與指標(biāo);數(shù)據(jù)/模型可
追溯與回滾
. CI/CD 與質(zhì)量門檻:關(guān)鍵模塊單測(cè)覆蓋率 ≥ 70%,推理服務(wù)穩(wěn)定性監(jiān)控
可視化
六、工程化與 MLOps
?代理模型精度:跨幾何/材料/工況留出集上 MAPE ≤ 3%,并提供 6Q
區(qū)間與物理一致性檢查
? 速度:相對(duì) 3D FEM ≥103-108x 推理加速(以設(shè)計(jì)評(píng)估吞吐量計(jì),按
硬件分檔)
? 設(shè)計(jì)搜索落地:每季度 ≥2個(gè)真實(shí)項(xiàng)目輸出 Pareto 曲線 與推薦方案
(效率個(gè)或體積/成本?。?
? 穩(wěn)健性:域外新結(jié)構(gòu)不崩潰,具備 UQ+物理一致性兜底策略