1.数据治理与仿真环境构建：
1.）设计并实现高效的数据管道，处理来自部署工程师的实时与历史数据，进行清洗、增强与特征工程。
2.）基于 FEniCSx 等工具开发与维护高精度多物理场仿真模型，构建强化学习训练所需的数字孪生环境。
3.）实现仿真-现实迁移技术，通过在线校准不断缩小仿真与实际的差距。
2.核心模型研发与训练：
1.）研发并实施先进的强化学习（如SAC、PPO）与优化算法，设计多目标奖励函数，以同时优化能耗、产水质量与设备寿命。
2.）负责模型从离线训练到在线学习的全周期管理，包括课程学习、经验回放及安全约束设计。
3.）开发终身学习框架，使模型能够持续适应水源变化、季节波动与设备老化，避免灾难性遗忘。
3.算法评估与持续优化：
1.）建立严格的模型评估体系，在仿真环境与离线数据上验证算法性能与安全性。
2.）与部署工程师协作，分析线上模型表现，诊断问题，并迭代优化算法。
3.）追踪领域前沿，将合适的机器学习、运筹优化新技术应用于实际场景。
必备要求：
硬技能：
1. 精通 PyTorch，有扎实的机器学习/深度学习理论基础，并在强化学习项目中有成功的实践经验。
2. 出色的 Python 科学计算编程能力，熟练使用 NumPy、Pandas 等库进行复杂数据分析与建模。
3. 具备良好的数学和物理建模能力，能够理解和运用数值仿真工具（如 FEniCS， COMSOL 或类似工具）的原理与结果。
软技能与经验：
1. 拥有独立完成从问题定义、算法设计、实验验证到效果分析的完整项目经验。
2. 强大的逻辑思维与创新能力，能够将模糊的业务目标转化为具体的数学模型和优化问题。
3. 结果导向，不满足于纸面指标，追求算法在实际系统中的最终效用提升。
加分项：
1.有数字孪生或仿真学习相关项目经验。
2.在高水平会议或期刊上发表过机器学习相关论文。
3.有多智能体强化学习、不确定性量化、贝叶斯优化等细分领域的经验。
4.了解流程工业或控制理论背景知识。