pd 招聘（工资待遇要求）

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
设计与实现结合机器学习与偏微分方程（PDE）的建模框架，用于加速或替代高成本物理仿真计算。
开发物理约束神经网络（如 PINNs、OperatLearning、Neural Operators 等），对仿真过程或算子进行学习与近似。
将 AI 模型与传统数值方法相结合，构建混合物理–数据驱动的仿真与预测系统。
分析模型在稳定性、泛化能力与物理一致性方面的表现，确保预测结果满足物理定律与工程约束。
与仿真优化团队协作，将 AI+PDE 模型嵌入整体仿真与优化 pipeline，显著降低计算成本。
与团队紧密协作，分享知识，并将研究成果转化为实际生产力。
职位技能要求（Required）
扎实的数值分析、偏微分方程（PDE）或计算物理背景。
熟悉物理约束机器学习方法（如 PINNs、Neural Operators、OperatLearning 等）中的至少一种。
熟练使用 PyTorch 或 JAX 实现物理机器学习模型。
具备将 AI 模型与传统数值方法结合的能力。
能够评估模型在稳定性、泛化性与物理一致性方面的表现。
加分项（Preferred）
有磁流体力学（MHD）、等离子体物理或相关计算物理背景。
有大规模仿真加速或 surrogate PDE 建模经验。
有混合物理–数据驱动建模系统的实际项目经验。
熟悉 HPC 环境与并行计算。
在 Physics-ML / SciML 方向发表过论文。
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