岗位描述
聚焦新能源材料、电池研发、储能系统、智能制造等核心业务场景，依托AI算法、大模型、机器学习技术解决产业实际问题，推动AI与新能源科研、生产、仿真全流程融合落地，主打技术落地、场景赋能、效率提效。职责：下述职责为该方向完整业务范围，应聘人员只需深耕并独立承担其中1~2项核心工作，其余工作以团队协作方式共同推进。1. AI驱动计算：立足新能源材料体系物理图像，及基本热力学和动力学方程，结合AI技术加速多尺度材料模拟，完成高质量物理数据的生成与闭环，完成跨学科协同验证，并配合相关研发团队完成技术追踪与落地。2. 研发AI赋能：深耕新能源核心场景，针对新型材料设计、合成路径预测与优化、工艺优化、电池寿命预测等业务痛点，设计AI算法解决方案，完成模型研发、训练、调优与迭代落地。3. 科学智能融合：结合AI4S技术，对接多尺度仿真、电化学实验等科研工作，通过机器学习、深度学习、生成式AI加速新材料、新体系电池的研发迭代。4. 数据建模挖掘：基于时序数据、实验数据、仿真数据开展数据挖掘、特征工程，搭建场景化预测、分类、优化模型，输出可落地的算法成果、专利及技术报告。5. 前沿技术探索：跟踪行业前沿AI应用技术，探索大模型、智能体、强化学习、数字孪生在新能源领域的创新落地场景，配合研发团队完成技术验证与项目推进。6. 跨团队落地适配：协同仿真、实验、工程落地团队，完成算法模型的适配调试，保障模型在科研测试、小规模试点中的稳定运行。任职要求：下述两个核心能力方向（计算物理能力与AI算法能力），应聘人员只需独立承担其中一项核心工作。1. 学历与学术背景：硕士及以上学历，人工智能、计算机科学、大数据、应用数学、凝聚态物理、计算物理、计算化学、材料科学、新能源、自动化等相关专业，对固态物理、电化学热力学与动力学有深入理解。具有AI for Science及新能源算法落地实践经验者优先。2. 计算物理能力：扎实掌握密度泛函理论（DFT）和分子动力学模拟（MD）的原理及应用边界，精通至少一种主流DFT软件（VASP、Quantum ESPRESSO、CP2K等）和MD软件（LAMMPS、OPENMM、GPUMD等）；熟练应用机器学习于科学计算（如机器学习力场）及基础PyTorch；具备高级采样（增强采样、metadynamics、MC-MD）或粗粒化建模的基础知识。3. AI算法能力：精通Python及主流深度学习框架（PyTorch/JAX/TensorFlow），对核心机器学习及时序预测算法有扎实理解；在图神经网络（GNN）、等变神经网络、Transformers、扩散模型等先进架构方面具备深度研发经验，并对物理约束（如能量守恒、对称性）及计算物理方法的适用边界有清晰认识。4. 实际建模能力：能够独立完成算法建模、模型训练、参数调优