机器学习工程师

技术背景与能力：
1、学术：计算机科学、计算物理或应用数学硕士/博士学位。
2、物理与人工智能融合：在开发物理信息神经网络（PINNs）或 DeepONets 方面有成功经验。对纳维-斯托克斯方程及其转化为自定义损失函数有深刻理解。
3、几何深度学习：在图神经网络（GNNs）或用于非欧几里得数据（网格和点云）的 3D CNNs 方面有专家级经验。
4、优化：在代理建模和贝叶斯优化方面有经验，用于高维设计空间探索。
5、工具：精通 PyTorch/JAX 和 NVIDIA Modulus。

岗位职责：
1、设计并验证了一种神经架构，其误差率低于 2%，与高保真度计算流体动力学（CFD）相比。
2、实现用于自动形状优化的“生成式设计”循环。
3、针对“未见过”卡车几何形状的正式验证框架。