1.數(shù)據(jù)治理與仿真環(huán)境構(gòu)建:
1.)設(shè)計并實現(xiàn)高效的數(shù)據(jù)管道,處理來自部署工程師的實時與歷史數(shù)據(jù),進行清洗、增強與特征工程。
2.)基于 FEniCSx 等工具開發(fā)與維護高精度多物理場仿真模型,構(gòu)建強化學習訓練所需的數(shù)字孿生環(huán)境。
3.)實現(xiàn)仿真-現(xiàn)實遷移技術(shù),通過在線校準不斷縮小仿真與實際的差距。
2.核心模型研發(fā)與訓練:
1.)研發(fā)并實施先進的強化學習(如SAC、PPO)與優(yōu)化算法,設(shè)計多目標獎勵函數(shù),以同時優(yōu)化能耗、產(chǎn)水質(zhì)量與設(shè)備壽命。
2.)負責模型從離線訓練到在線學習的全周期管理,包括課程學習、經(jīng)驗回放及安全約束設(shè)計。
3.)開發(fā)終身學習框架,使模型能夠持續(xù)適應(yīng)水源變化、季節(jié)波動與設(shè)備老化,避免災(zāi)難性遺忘。
3.算法評估與持續(xù)優(yōu)化:
1.)建立嚴格的模型評估體系,在仿真環(huán)境與離線數(shù)據(jù)上驗證算法性能與安全性。
2.)與部署工程師協(xié)作,分析線上模型表現(xiàn),診斷問題,并迭代優(yōu)化算法。
3.)追蹤領(lǐng)域前沿,將合適的機器學習、運籌優(yōu)化新技術(shù)應(yīng)用于實際場景。
必備要求:
硬技能:
1. 精通 PyTorch,有扎實的機器學習/深度學習理論基礎(chǔ),并在強化學習項目中有成功的實踐經(jīng)驗。
2. 出色的 Python 科學計算編程能力,熟練使用 NumPy、Pandas 等庫進行復雜數(shù)據(jù)分析與建模。
3. 具備良好的數(shù)學和物理建模能力,能夠理解和運用數(shù)值仿真工具(如 FEniCS, COMSOL 或類似工具)的原理與結(jié)果。
軟技能與經(jīng)驗:
1. 擁有獨立完成從問題定義、算法設(shè)計、實驗驗證到效果分析的完整項目經(jīng)驗。
2. 強大的邏輯思維與創(chuàng)新能力,能夠?qū)⒛:臉I(yè)務(wù)目標轉(zhuǎn)化為具體的數(shù)學模型和優(yōu)化問題。
3. 結(jié)果導向,不滿足于紙面指標,追求算法在實際系統(tǒng)中的最終效用提升。
加分項:
1.有數(shù)字孿生或仿真學習相關(guān)項目經(jīng)驗。
2.在高水平會議或期刊上發(fā)表過機器學習相關(guān)論文。
3.有多智能體強化學習、不確定性量化、貝葉斯優(yōu)化等細分領(lǐng)域的經(jīng)驗。
4.了解流程工業(yè)或控制理論背景知識。