一、职责
• Scientist：承担一个子模块的设计/实现/验证，输出可复现报告与代码
• Senior：负责一个闭环任务，产出稳定 API工具；沉淀数据与评测基准
• Lead/Principal：牵头路线规划与平台化落地，推动跨团队协作与能力复用
二、关键研究方向
1.物理约束的精准预测模型：PINNs / 算子学习（FNO/DeepONet） / GNN-网
格学习（MeshGraphNet），提升跨几何/材料/工况的泛化一致性。
2. 高维设计空间探索与帕累托前沿：BoTorch/NSGA-IV/IV贝叶斯优化；多目
标（损耗/体积/成本）＋硬约束（L区间、Delta T 阈值、B_sat 裕度）。
3. 智能逆向与可微耦合：从指标到参数的一步映射；与 FEM/实测的弱/强耦
合训练与一致性校验。
三、任职资格
共同必备
• 扎实的机器学习/优化/数值分析基础；熱练 Python + PyTorch/JAX，具
备 DDP与混合精度实践
•至少一类物理感知建模落地：PINNs / 算子学习/ GNN/ 可微仿真（其
—）
•工程化素养：实验/数据版本管理（W&B/MLflow + DVC）、单元测
试、代码规范与文档
• 跨学科沟通与协作能力
• 985博士
• 能独立完成一个子方向（磁/热代理或优化器）的端到端实现，并在留
出集达到既定精度
• 统筹数据生成一代理模型一优化器的小型课题闭环，交付项目级成果
（API/工具链/报告）
•具备 UQ/校准、域外泛化、主动学习数据引擎 等至少一项增强模块实
战
•负责技术路线与跨团队协同，制定评测基准与关键指标；推动多项自规
模化复用
•面向业务抽象通用能力层，推动平台化/产品化与标准化接口
四、技术技能
必需：PyTorch/AX；DDP/AMP；至少一种 PINNs/算子学习/GNN；
BoTorch/Optuna 或 NSGA-I/II;PDE 数值法/优化理论基础
加分：CUDA/Triton/TensorRT；可微仿真或与 Ansys/COMSOUJMAG 的耦合训
练；UQ/校准/鲁棒性；主动学习数据引擎；图学习（PyG/DGL）
五、工程化与 MLOpS
• 可复现实验模板：配置化、随机种子、统一日志与指标；数据/模型可
追溯与回滚
. CI/CD 与质量门槛：关键模块单测覆盖率 ≥ 70%，推理服务稳定性监控
可视化
六、工程化与 MLOps
•代理模型精度：跨几何/材料/工況留出集上 MAPE ≤ 3%，并提供 6Q
区间与物理一致性检查
• 速度：相对 3D FEM ≥103-108x 推理加速（以设计评估吞吐量计，按
硬件分档）
• 设计搜索落地：每季度 ≥2个真实项目输出 Pareto 曲线 与推荐方案
（效率个或体积/成本！）
• 稳健性：域外新结构不崩溃，具备 UQ+物理一致性兜底策略