物理AI算法研究员(物理建模与神经算子方向)
云松企业咨询(深圳)有限公司职位描述
(一)核心工作职责 1.物理约束与机理融合建模 结合热力学、传热学、流体力学及动态系统理论,研究将物理守恒关系、微分方程、边界条件、运行约束和系统拓扑融入神经网络结构、损失函数或求解过程的方法; 探索高阶导数约束、梯度正则化及其他物理约束机制,分析多变量联合建模与多目标训练中的梯度干扰、损失权衡和数值稳定性,评估模型在稀疏、含噪数据条件下的精度与物理一致性。 2.PINN 与神经算子算法研发 开展PINN、FNO、DeepONet 等方法的研究与实现,探索复杂物理系统的函数映射、动态响应预测及代理建模; 研究物理先验与算子学习的结合方式,支持能源系统的快速仿真、多工况预测及优化求解。 3.因果发现与干预效应分析 针对高噪声、多变量的工业观测数据,结合系统机理研究因果发现、结构因果建模及干预效应估计方法; 分析混杂因素、时序依赖、控制策略与数据采集过程带来的偏差,评估控制动作对能耗、设备效率及系统状态的影响。 4.上下文编码与跨场景泛化 研究设备参数、系统结构、工况及历史运行数据的上下文表征,探索基于注意力机制、神经过程、元学习等方法的分层或嵌套式上下文编码方案; 结合对比学习、预训练及领域适配或泛化方法,分析不同项目之间的共性与差异。 5.少样本迁移与物理先验保持 面向新工业场景的数据不足和冷启动问题,研究模型校准、少样本学习及参数高效适配方法; 探索 MAML、神经过程族方法,以及 LoRA、DoRA、局部参数更新或子空间约束等策略,评估冻结或部分更新主干时的适配效果。 6.严谨实验设计与归因分析 建立包含传统数值方法、机理模型及数据驱动模型的对比基线,开展多因素对照、消融实验、噪声与数据稀缺测试及跨设备、跨工况和跨项目验证; 结合机理分析与实验结果,解释模型为何有效、何时失效,形成可复现的实验记录和技术诊断报告。 7.模型工程实现与应用集成 构建完整的模型训练、评估和推理流程,开展训练稳定性、计算效率和资源使用优化; 协同暖通、算法及软件团队完成数据需求梳理、模型适配、接口封装和应用验证,推动模型与能源管理平台、仿真优化引擎及边缘控制系统集成。 8.前沿研究与成果沉淀 跟踪科学机器学习、物理约束学习、神经算子、因果推断、连续动态系统建模及迁移学习等方向,复现和评估具有应用潜力的方法; 形成可复用的算法组件、实验流程、研究报告及技术文档。 (二)任职要求 1.数学与建模基础:具备扎实的线性代数、概率统计、微分方程、数值分析及优化理论基础,能够理解模型假设、边界条件和数值求解过程,具备独立开展数学建模与算法分析的能力; 2.深度学习与训练机制理解:理解自动微分、反向传播及常见优化方法,能够推导和实现复合损失函数,理解涉及高阶导数的梯度计算过程,分析损失项权衡、梯度冲突及训练不稳定等问题; 3.工程实现能力:熟练掌握 Python 和 PyTorch,理解计算图、自动求导及训练与推理机制,能够独立构建端到端模型训练、评估和推理流程;熟悉 Linux 远程服务器开发环境,包括 SSH、环境隔离、依赖管理及 GPU 资源使用与任务调度; 4.科研与实验素养:能够独立阅读论文、复现研究方法并设置合理基线;具备良好的代码规范与文档习惯,能够清晰定义假设、控制变量,并有条理地记录实验演进路径; 5.沟通与协作能力:能够结合实际工程需求开展研究,清楚表达模型的物理假设、数据要求、技术路径和适用边界,与暖通工程师、算法工程师及软件开发人员开展有效协作; 6.专业领域要求:在以下至少两个方向具有较深入的代码实践或理论积累,其中至少一个属于“物理约束深度学习”或“神经算子与科学计算”,并在其中至少一个方向具有完整科研或算法开发项目经历。 优先考虑 1.熟悉暖通空调(HVAC)、冷水机组控制、冷站群控或复杂工业系统优化场景,理解设备运行机理、系统耦合关系及常见控制策略; 2.深度参与过物理机理与数据驱动方法融合的复杂多变量时序预测、系统辨识、运行诊断或控制决策项目,能够说明个人贡献及验证结果; 3.具有真实工业数据处理、现场测试、模型部署或跨项目适配经验,能够处理数据缺失、测量噪声、工况变化及工程约束等实际问题; 4.具有 PINN、神经算子、科学计算、因果推断或迁移学习等相关领域的论文、开源项目、科研成果及工程应用经验。
对这个职位感兴趣吗?