AI+物理科学助理研究员(J10576)

该职位来源于猎聘 职责描述： （1）参与/负责复杂物理系统仿真中多源异构数据的清洗、对齐与特征工程，聚焦高维动态过程的数据表征与可解释性建模，构建高保真数值模拟的AI驱动框架，支持在非线性动力学、能量传输与物质响应等场景下的模型训练； （2）参与/负责推动数据驱动模型在多物理场耦合系统中的技术落地，开展针对系统行为预测、状态估计与性能优化的工程化应用研究，涵盖对称性分析、压缩态反演、输出量回归等关键任务，实现AI模型在复杂系统仿真中的闭环集成； （3）参与/负责前沿深度学习方法在物理建模范式中的融合路径，包括物理约束神经网络（PINN）、时空序列建模、多尺度编码架构等，发展面向强耦合、非平衡态系统的高效代理模型，提升其泛化能力与长期预测稳定性； （4）参与/负责AI模型与第一性原理仿真代码（如辐射输运、流体动力学方程求解器）的协同建模工作，探索在小样本、高噪声条件下，利用有限观测数据进行模型微调、不确定性量化与自适应校准的方法体系，推动智能仿真范式在极端物理环境研究中的应用。 任职要求： （1）博士及以上学历，计算机科学、应用数学、人工智能、物理、力学、光学工程或相关理工科专业背景； （2）熟练掌握 PyTorch 等深度学习框架，有大规模科学计算、数值模拟或高能密度物理相关项目经验，有复杂物理系统建模、多物理场仿真或高维动态系统预测经验； （3）在数据驱动建模、物理信息引导的神经网络（PINN）、动态系统代理模型构建、时空序列预测等方向有扎实研究基础；对将人工智能技术应用于非线性物理过程建模、能量输运演化分析、极端条件下物质响应预测等问题具有强烈兴趣；具备良好的科研素养与跨学科协作能力； （4）熟悉面向科学仿真的深度学习模型架构，具备高维时空预测模型、多尺度物理代理模型的设计与优化经验者优先；熟悉三维卷积网络、Transformer、图神经网络（GNN）、U-Net等结构在物理场重建与演化预测中的应用； （5）优秀的问题分析和故障排查能力，良好的工程化思维；责任心强，具备出色的沟通协作能力和持续学习能力。 （6）具有以下条件优先：具有等离子体物理、核工程或聚变材料等相关知识背景；有将AI模型用于流体动力学、热传导、辐射输运等偏微分方程求解场景的经验；有AI+核聚变（如聚变模拟、装置控制优化）经验，了解等离子体诊断、聚变装置运行或聚变材料研发等相关技术。