MoE架构设计与开发

• 针对污水厂多变量、非线性、高噪声的工艺数据，设计并实现混合专家模型（Mixture of Experts）架构，优化门控网络（Gating Network）与专家子模型协同机制。

• 开发面向污水处理场景的MoE应用，如水质多指标预测、工艺参数动态优化、多设备协同控制等。

模型训练与调优

• 处理时序数据（如传感器流数据、工艺运行日志），构建大规模训练数据集，解决数据稀疏性与噪声问题。

• 优化MoE模型的分布式训练效率（如使用Megatron-LM、DeepSpeed框架），提升模型收敛速度与推理性能。

工业场景落地

• 将MoE模型轻量化并部署至边缘计算设备或工业云平台，实现低延迟实时决策（如加药量动态调整、曝气量优化）。

• 与自动化团队协作，将MoE模型嵌入PLC/DCS系统，开发自适应控制策略。

前沿技术探索

• 研究MoE与强化学习（RL）、联邦学习（FL）等技术的结合，探索跨污水厂的分布式模型协作方案。

• 跟踪稀疏化训练、动态路由等MoE领域最新进展（如Google的Switch Transformer、Mixtral 8x7B），推动技术迭代。

专业背景

• 博士，计算机科学、人工智能、数学/统计等相关专业，博士优先。

• 熟悉污水处理关键参数（COD、氨氮、DO）及工艺逻辑（AAO、MBR）者加分。

技术能力

• 核心要求：

  • 精通MoE原理及主流框架（如PyTorch的Tutel、FairScale），具备MoE模型从零搭建经验。

  • 熟练掌握深度学习框架（PyTorch/TensorFlow），熟悉模型并行、数据并行训练技术。

  • 扎实的时序数据处理能力，熟悉特征工程、异常值处理及数据增强方法。

• 加分项：

  • 有MoE相关顶会论文（NeurIPS、ICML）或开源项目贡献（如Hugging Face模型库）。

  • 熟悉工业控制协议（OPC UA、Modbus）或边缘计算部署（TensorRT、ONNX Runtime）。

项目经验

• 2年以上MoE或复杂模型架构研发经验，有工业场景（如流程控制、预测性维护）落地案例。

• 具备高并发、低延迟推理优化经验（如模型剪枝、量化、动态计算路径设计）。

软性素质

• 对AI技术解决环保问题有强烈热情，能从业务痛点抽象建模问题。

• 具备较强的技术文档撰写能力及跨团队协作意识，适应阶段性出差支持。