生成式模型工程师（Diffusion / Generative Models）

团队使命（Mission）
在全球能源转型与碳中和目标加速推进的时代背景下，可控核聚变被广泛认为是实现长期、可持续、零碳能源的关键技术路径之一。随着高温超导、先进制造与计算能力的快速发展，聚变装置的工程可行性与物理可行性正迎来关键窗口期。
仿星器作为一种具备稳态运行潜力的磁约束聚变装置，其三维几何复杂性使得传统基于人工经验与局部扫描的设计方法面临巨大的计算与人力瓶颈。新一代仿星器设计问题本质上已演变为一个高维、多目标、强物理约束的复杂优化问题。
我们的团队致力于构建 下一代 AI 驱动的仿星器设计与优化平台，将大规模物理仿真、生成式模型、智能体系统与物理约束机器学习深度融合，打造端到端的自动化设计—评估—优化闭环。我们的目标是：将传统需要数月到数年的仿星器设计与参数优化流程，转变为可扩展、自动化、由 AI 驱动的智能设计体系，显著加速新型高性能仿星器构型的发现与工程优化，为聚变能走向工程化与商业化提供关键技术支撑。
主要职责
* 设计与训练基于 Diffusion、VAE、Flow 或其他生成式模型的几何生成网络，用于自动生成仿星器物理方案。
* 构建几何表示与物理约束相结合的生成式建模框架，确保生成结果满足工程可行性与物理合理性。
* 将生成模型与仿真与优化流程集成，实现“生成 → 评估 → 筛选 → 迭代”的自动化设计闭环。
* 探索条件生成与多目标约束生成方法，实现对关键性能指标（如约束、稳定性、输运指标等）的可控生成。
* 分析生成模型在设计空间探索中的覆盖性、多样性与收敛特性，提升新型构型发现能力。

职位技能要求（Required）
* 扎实的深度学习与生成式模型基础，熟悉 Diffusion、VAE、Flow 等至少一种模型体系。
* 熟练使用 PyTorch 或 JAX 实现与训练复杂神经网络模型。
* 具备处理几何数据或高维连续表示的建模经验。
* 能够将生成模型与下游评估与优化流程进行系统集成。
* 具备良好的实验设计与模型调参能力。

加分项（Preferred）
* 有几何深度学习、3D 表示学习或 CAD/几何建模相关经验。
* 有条件生成、多目标约束生成或可控生成经验。
* 有将生成模型用于工程设计或科学发现的项目经验。
* 熟悉物理约束生成或 physics-informed generative models。
* 在生成式模型方向发表过论文或有开源项目。
成果与影响（Impact）
- 研究成果将直接用于真实仿星器构型筛选与工程设计决策
- 系统将服务于实际仿真与设计流程，而不仅限于离线方法研究
- 在国际顶级会议与期刊发表成果（如 NeurIPS、ICML、ICLR、CVPR, Physical Review Letters, Nuclear Fusion 等）
- 为未来聚变装置设计提供可扩展的 AI 基础设施与技术范式