職位描述

團隊使命（Mission）

在全球能源轉(zhuǎn)型與碳中和目標加速推進的時代背景下，可控核聚變被廣泛認為是實現(xiàn)長期、可持續(xù)、零碳能源的關(guān)鍵技術(shù)路徑之一。隨著高溫超導、先進制造與計算能力的快速發(fā)展，聚變裝置的工程可行性與物理可行性正迎來關(guān)鍵窗口期。

仿星器作為一種具備穩(wěn)態(tài)運行潛力的磁約束聚變裝置，其三維幾何復雜性使得傳統(tǒng)基于人工經(jīng)驗與局部掃描的設(shè)計方法面臨巨大的計算與人力瓶頸。新一代仿星器設(shè)計問題本質(zhì)上已演變?yōu)橐粋€高維、多目標、強物理約束的復雜優(yōu)化問題。

我們的團隊致力于構(gòu)建 下一代 AI 驅(qū)動的仿星器設(shè)計與優(yōu)化平臺，將大規(guī)模物理仿真、生成式模型、智能體系統(tǒng)與物理約束機器學習深度融合，打造端到端的自動化設(shè)計—評估—優(yōu)化閉環(huán)。我們的目標是：將傳統(tǒng)需要數(shù)月到數(shù)年的仿星器設(shè)計與參數(shù)優(yōu)化流程，轉(zhuǎn)變?yōu)榭蓴U展、自動化、由 AI 驅(qū)動的智能設(shè)計體系，顯著加速新型高性能仿星器構(gòu)型的發(fā)現(xiàn)與工程優(yōu)化，為聚變能走向工程化與商業(yè)化提供關(guān)鍵技術(shù)支撐。

主要職責

* 設(shè)計與實現(xiàn)結(jié)合機器學習與偏微分方程（PDE）的建?？蚣?，用于加速或替代高成本物理仿真計算。

* 開發(fā)物理約束神經(jīng)網(wǎng)絡(luò)（如 PINNs、Operator Learning、Neural Operators 等），對仿真過程或算子進行學習與近似。

* 將 AI 模型與傳統(tǒng)數(shù)值方法相結(jié)合，構(gòu)建混合物理–數(shù)據(jù)驅(qū)動的仿真與預測系統(tǒng)。

* 分析模型在穩(wěn)定性、泛化能力與物理一致性方面的表現(xiàn)，確保預測結(jié)果滿足物理定律與工程約束。

* 與仿真優(yōu)化團隊協(xié)作，將 AI+PDE 模型嵌入整體仿真與優(yōu)化 pipeline，顯著降低計算成本。

* 與團隊緊密協(xié)作，分享知識，并將研究成果轉(zhuǎn)化為實際生產(chǎn)力。


職位技能要求（Required）

* 扎實的數(shù)值分析、偏微分方程（PDE）或計算物理背景。

* 熟悉物理約束機器學習方法（如 PINNs、Neural Operators、Operator Learning 等）中的至少一種。

* 熟練使用 PyTorch 或 JAX 實現(xiàn)物理機器學習模型。

* 具備將 AI 模型與傳統(tǒng)數(shù)值方法結(jié)合的能力。

* 能夠評估模型在穩(wěn)定性、泛化性與物理一致性方面的表現(xiàn)。


加分項（Preferred）

* 有磁流體力學（MHD）、等離子體物理或相關(guān)計算物理背景。

* 有大規(guī)模仿真加速或 surrogate PDE 建模經(jīng)驗。

* 有混合物理–數(shù)據(jù)驅(qū)動建模系統(tǒng)的實際項目經(jīng)驗。

* 熟悉 HPC 環(huán)境與并行計算。

* 在 Physics-ML / SciML 方向發(fā)表過論文。

成果與影響（Impact）

- 研究成果將直接用于真實仿星器構(gòu)型篩選與工程設(shè)計決策

- 系統(tǒng)將服務(wù)于實際仿真與設(shè)計流程，而不僅限于離線方法研究

- 在國際頂級會議與期刊發(fā)表成果（如 NeurIPS、ICML、ICLR、CVPR, Physical Review Letters, Nuclear Fusion 等）

- 為未來聚變裝置設(shè)計提供可擴展的 AI 基礎(chǔ)設(shè)施與技術(shù)范式