团队使命（Mission）

在全球能源转型与碳中和目标加速推进的时代背景下，可控核聚变被广泛认为是实现长期、可持续、零碳能源的关键技术路径之一。随着高温超导、先进制造与计算能力的快速发展，聚变装置的工程可行性与物理可行性正迎来关键窗口期。

仿星器作为一种具备稳态运行潜力的磁约束聚变装置，其三维几何复杂性使得传统基于人工经验与局部扫描的设计方法面临巨大的计算与人力瓶颈。新一代仿星器设计问题本质上已演变为一个高维、多目标、强物理约束的复杂优化问题。

我们的团队致力于构建 下一代 AI 驱动的仿星器设计与优化平台，将大规模物理仿真、生成式模型、智能体系统与物理约束机器学习深度融合，打造端到端的自动化设计—评估—优化闭环。我们的目标是：将传统需要数月到数年的仿星器设计与参数优化流程，转变为可扩展、自动化、由 AI 驱动的智能设计体系，显著加速新型高性能仿星器构型的发现与工程优化，为聚变能走向工程化与商业化提供关键技术支撑。

主要职责

* 管理仿真产生的参数与性能指标数据集，开展系统化的数据管理、清洗与分析。

* 设计并执行严格的算法实验，对不同 AI 调参算法的性能、效率与鲁棒性进行评测与对比。

* 通过可视化与报告等方式，清晰呈现参数优化过程与结果，支撑技术决策与科研汇报。

职位技能要求（Required）

* 扎实的数据分析与统计基础，能够设计与执行严谨的算法实验与对比评测。

* 熟练使用 Python 数据分析与可视化工具（如 NumPy、Pandas、Matplotlib、Seaborn 等）。

* 具备良好的实验设计与复现意识，能够构建标准化 benchmark 与评测流程。

* 能够将复杂实验结果转化为清晰的可视化与技术报告。

* 熟悉基本的软件工程与数据管理实践（数据版本、实验追踪等）。

加分项（Preferred）

* 有机器学习算法 benchmark、ablation study 或 robustness 评测经验。

* 熟悉 MLflow、Weights & Biases 或类似实验管理工具。

* 有大规模仿真数据或科学数据分析经验。

* 具备基本的统计推断或不确定性分析背景。

* 有科研论文或技术报告撰写经验。

成果与影响（Impact）

- 研究成果将直接用于真实仿星器构型筛选与工程设计决策

- 系统将服务于实际仿真与设计流程，而不仅限于离线方法研究

- 在国际顶级会议与期刊发表成果（如 NeurIPS、ICML、ICLR、CVPR, Physical Review Letters, Nuclear Fusion 等）

- 为未来聚变装置设计提供可扩展的 AI 基础设施与技术范式