工作职责：

- AI 赋能的仿真加速与替代：研发基于深度神经网络（如 CNN、GNN、Transformer、PINN）的高精度代理模型（Surrogate Model），用以替代或辅助计算成本高昂的 CFD/FEA 等高保真物理仿真，缩短设计周期
- 物理机理与数据融合建模：将物理学第一性原理（如守恒方程、本构模型、边界条件）以硬约束或软约束方式嵌入深度学习框架，开发物理一致性强、泛化能力出色的混合模型
- 智能优化算法开发与实施：构建并实现基于 AI（如贝叶斯优化、进化算法、强化学习）的多学科设计优化（MDO）系统，自动搜索满足复杂工程约束的最优设计方案
- 大规模多物理场数据挖掘：处理、分析与特征提取仿真和实验中产生的海量高维科学数据（如三维时空场、序列数据），为模型训练提供坚实基础
- 算法产品化与实施部署：将核心算法封装、优化并集成到现有的 CAE 软件链或自研平台中，推动算法在实际工业场景中的落地应用与迭代验证
- 技术前瞻性研究：持续跟踪 AI for Science 领域的最新学术进展（如生成式 AI 用于设计、大语言模型用于仿真流程自动化），并探索其在实际问题中的应用潜力

任职资格：

- 硕士及以上学历，物理学、流体力学、工程力学、航空航天、机械工程或相关专业，博士学历者优先
- 具备深厚的物理仿真基础，熟悉流体动力学（CFD）或结构力学等相关仿真背景，深刻理解数值计算方法，并有主流商业或开源仿真软件（如 ANSYS Fluent/CFX、Star-CCM+、OpenFOAM、COMSOL 等）使用经验
- 精通 PaddlePaddle、PyTorch 或 TensorFlow 框架，具备扎实的深度学习理论基础，有独立构建、调试和部署神经网络模型的实战经验
- 拥有以下至少一个方向的实际项目经验：物理信息神经网络（PINNs）、时空预测模型、生成模型（VAE、GAN、Diffusion）、图神经网络（GNNs）或深度强化学习（DRL）
- 精通优化算法，熟练掌握并应用过梯度类算法、贝叶斯优化、遗传算法/进化策略等各类优化算法
- 精通 Python 及其科学计算库（NumPy、SciPy、Pandas、Scikit-learn），具备 C++ 编程能力者优先
- 拥有将机器学习/深度学习方法应用于解决实际物理或工程问题的完整项目经验（学术或工业项目均可），并能展示可衡量的成果
- 具备一定的产品业务思维，能够基于 AI 技术以价值为导向，具备相关产品研发经验