材料智能算法研究员

• 面向半导体、能源材料、催化材料、合金、功能材料等具体应用领域，开展材料智能计算与算法研发，深入理解材料组成、结构、工艺与性能之间的关联；
• 负责干湿闭环研发体系中理论预测与智能筛选环节的算法平台及核心模型开发，结合实际科研和产业需求，构建面向特定材料领域的基座模型及专业模型体系；
• 负责材料性质预测模型的设计、训练、微调与评估，针对相关应用场景的关键材料性质建立高精度预测能力；
• 研究并应用图神经网络、迁移学习、多任务学习、主动学习、强化学习及生成式模型等先进人工智能方法，探索材料设计与优化的新型算法框架；
• 面向实验目标构建材料筛选、组合优化及候选材料推荐算法，与湿实验团队协同形成“模型预测—候选设计—实验验证—数据反馈—模型迭代”的闭环研发流程；
• 参与或主导科研及产业合作项目，完成技术方案设计、研究报告、专利及高水平学术论文等成果输出，并推动相关技术沉淀和平台化建设。

材料科学、物理学、化学、计算机科学或相关专业硕士及以上学历，博士学历优先；

• 具有扎实的材料、物理或化学基础，对材料微观结构与宏观性质之间的关系具有较好的理解；
• 熟悉第一性原理计算、分子动力学、高通量计算等一种或多种材料计算方法，有DeepMD-kit、VASP、Quantum ESPRESSO、LAMMPS等相关软件使用经验者优先；
• 精通Python、C++等编程语言、Vibe Coding及AI辅助研发方法，有较强的算法开发和编程实现能力，熟悉机器学习方法者优先；
• 具备较强的科研问题抽象和解决能力，能够将实际材料研发问题转化为可计算、可建模和可优化的算法问题；
• 具有良好的团队协作和跨学科沟通能力，能够与计算、算法及实验团队高效协同；
• 具有良好的英文文献阅读和科技写作能力，有高水平论文、开源项目、材料人工智能研究或产业研发经验者优先。 具有以下一种或多种经验者优先：
• 材料基础模型、材料预训练模型或科学大模型研发经验；
• DeepMD、MACE、CHGNet、M3GNet、MatterSim、OpenLAM等材料模型相关研发或应用经验；
• 材料性质预测、高通量筛选或逆向材料设计经验；
• 主动学习、强化学习、贝叶斯优化或生成式材料设计经验；
• 计算—实验闭环、自动化实验室或Self-driving Lab相关项目经验；
• 大规模材料数据库建设、数据治理及模型微调经验；
• AI Agent、Coding Agent或基于大语言模型的科研自动化工作流开发经验。