AI 算法工程師（科學計算方向）

團隊使命（Mission）
在全球能源轉型與碳中和目標加速推進的時代背景下，可控核聚變被廣泛認為是實現長期、可持續、零碳能源的關鍵技術路徑之一。隨著高溫超導、先進制造與計算能力的快速發展，聚變裝置的工程可行性與物理可行性正迎來關鍵窗口期。
仿星器作為一種具備穩態運行潛力的磁約束聚變裝置，其三維幾何復雜性使得傳統基于人工經驗與局部掃描的設計方法面臨巨大的計算與人力瓶頸。新一代仿星器設計問題本質上已演變為一個高維、多目標、強物理約束的復雜優化問題。
我們的團隊致力于構建 下一代 AI 驅動的仿星器設計與優化平臺，將大規模物理仿真、生成式模型、智能體系統與物理約束機器學習深度融合，打造端到端的自動化設計—評估—優化閉環。我們的目標是：將傳統需要數月到數年的仿星器設計與參數優化流程，轉變為可擴展、自動化、由 AI 驅動的智能設計體系，顯著加速新型高性能仿星器構型的發現與工程優化，為聚變能走向工程化與商業化提供關鍵技術支撐。
主要職責
* 負責設計、實現和優化用于仿真軟件（simsopt）的 AI 輔助調參與自動化優化 pipeline。
* 探索并應用先進的機器學習算法（如貝葉斯優化、強化學習、代理模型等），解決高維、多目標的仿真參數優化問題。
* 構建、訓練和評估用于加速參數搜索與性能預測的代理模型。

職位技能要求（Required）
* 扎實的機器學習與數值優化基礎，熟悉貝葉斯優化、強化學習或代理模型中的至少一種方向。
* 熟練使用 Python，具備使用 PyTorch 或 JAX 進行模型訓練與實驗的經驗。
* 具備將算法集成到復雜仿真與工作流系統中的能力，能夠構建可擴展的自動化 pipeline。
* 具備良好的軟件工程習慣（模塊化設計、版本控制、實驗復現等）。
* 能夠與物理與工程團隊協作，將實際物理問題抽象為可優化的計算問題。

加分項（Preferred）
* 有高維、多目標優化問題的實際項目經驗。
* 熟悉科學計算或仿真軟件（如 simsopt、VMEC、DESC 或類似框架）。
* 有強化學習在連續控制或科學計算中的應用經驗。
* 有在 HPC 或 GPU 集群環境下運行大規模實驗的經驗。
* 在 AI for Science、優化或相關方向發表過論文或開源貢獻。
成果與影響（Impact）
- 研究成果將直接用于真實仿星器構型篩選與工程設計決策
- 系統將服務于實際仿真與設計流程，而不僅限于離線方法研究
- 在國際頂級會議與期刊發表成果（如 NeurIPS、ICML、ICLR、CVPR, Physical Review Letters, Nuclear Fusion 等）
- 為未來聚變裝置設計提供可擴展的 AI 基礎設施與技術范式