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

* 负责设计、实现和优化用于仿真软件（simsopt）的 AI 辅助调参与自动化优化 pipeline。

* 探索并应用先进的机器学习算法（如贝叶斯优化、强化学习、代理模型等），解决高维、多目标的仿真参数优化问题。

* 构建、训练和评估用于加速参数搜索与性能预测的代理模型。

职位技能要求（Required）

* 扎实的机器学习与数值优化基础，熟悉贝叶斯优化、强化学习或代理模型中的至少一种方向。

* 熟练使用 Python，具备使用 PyTorch 或 JAX 进行模型训练与实验的经验。

* 具备将算法集成到复杂仿真与工作流系统中的能力，能够构建可扩展的自动化 pipeline。

* 具备良好的软件工程习惯（模块化设计、版本控制、实验复现等）。

* 能够与物理与工程团队协作，将实际物理问题抽象为可优化的计算问题。

加分项（Preferred）

* 有高维、多目标优化问题的实际项目经验。

* 熟悉科学计算或仿真软件（如 simsopt、VMEC、DESC 或类似框架）。

* 有强化学习在连续控制或科学计算中的应用经验。

* 有在 HPC 或 GPU 集群环境下运行大规模实验的经验。

* 在 AI for Science、优化或相关方向发表过论文或开源贡献。

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

工作地点BASE合肥