Alemanha
Solaris
Focused
Engenheiro(a) de Machine Learning (m/f/d)
RemotoAlemanha
Darmstadt, Hesse, Germany
PythonC++
Tradução automática. Consulte o original.
Sua Função
Focused Energy está construindo o futuro da energia limpa através da fusão por injeção de lasers. Apoiada por nossa Série A de US$240M — a maior Série A totalmente garantida na indústria global de fusão — estamos escalando rapidamente em várias geografias.
Com sede na Alemanha e nos EUA, reunimos as mentes científicas e de engenharia de ponta, utilizando tecnologias comprovadas para desbloquear o poder da fusão em escala comercial. A Focused Energy está trabalhando para realizar inovações científicas transformadoras que prometem fornecer uma fonte de energia limpa, sustentável e abundante globalmente.
Esta função se situa na intersecção de engenharia de ML e física computacional, trabalhando em nossos ambientes de Engenharia de Software e Gêmeos Digitais. Você colaborará estreitamente com engenheiros ópticos, físicos de lasers e fusão, cientistas de simulação e engenheiros de sistemas para incorporar inteligência orientada por dados diretamente em nossa arquitetura de Gêmeo Digital. Você estará reduzindo o risco de projeto, encurtando os prazos de desenvolvimento e desbloqueando a otimização em nível de sistema que abordagens puramente baseadas em física não conseguem alcançar na velocidade que precisamos.
O que você fará
Você projetará, construirá e implantará modelos de machine learning que aprimoram, aceleram e aumentam nossos ambientes de simulação multifísica em nossos sistemas de laser de alta energia, sistema de injeção e rastreamento de alvos, sistema de fabricação de alvos e câmara de fusão. Isso permitirá ciclos de projeto mais rápidos, otimização preditiva de sistemas e suporte à decisão em tempo real em nossos programas de laser, alvos e fusão.
- Modelagem substituta e de ordem reduzida: Projetar e implantar modelos substitutos e de ordem reduzida (ROMs) que substituem ou aceleram simulações multifísicas de alta fidelidade no ambiente de Gêmeo Digital
- ML com base em física: Desenvolver machine learning com base em física (PIML) e redes neurais com base em física (PINNs) que incorporam restrições físicas (equações de Maxwell, termodinâmica, dinâmica de fluidos) diretamente nas arquiteturas de modelos
- Pipelines de ML: Construir e manter pipelines de ML para treinamento, validação, quantificação de incertezas (UQ) e refinamento contínuo de modelos contra dados experimentais e de simulação
- Aprendizado ativo e otimização Bayesiana: Implementar fluxos de trabalho de aprendizado ativo e otimização Bayesiana para guiar inteligentemente a exploração do espaço de projeto e reduzir execuções de simulação custosas
- Integração com Gêmeo Digital: Integrar modelos de ML treinados na estrutura mais ampla do Gêmeo Digital, interagindo com saídas de simulação HPC (COMSOL, ANSYS, solvers customizados) e dados de sensores em tempo real
- Detecção de anomalias: Desenvolver modelos de detecção de anomalias e diagnósticos preditivos para monitorar a saúde do sistema e identificar comportamento fora do nominal em subsistemas de laser
- Otimização autônoma: Aplicar aprendizado por reforço e abordagens de controle Bayesiano para apoiar a otimização autônoma ou semiautônoma de parâmetros operacionais do laser
- Colaboração multifuncional: Colaborar com arquitetos de Gêmeos Digitais, engenheiros de sistemas e cientistas de simulação óptica para garantir que os modelos de ML atendam aos requisitos de fidelidade, latência e incerteza
- Rigor de engenharia: Estabelecer melhores práticas para versionamento de modelos, reprodutibilidade, testes e documentação em um ambiente de pesquisa em rápida evolução
Quem você é
Essenciais
- Mestrado ou Doutorado em Machine Learning, Física Computacional, Matemática Aplicada, Ciência de Dados, Ciência da Computação ou área intimamente relacionada
- Experiência comprovada na construção, treinamento e implantação de modelos de ML para sistemas físicos complexos; forte domínio de deep learning (PyTorch, TensorFlow/JAX), modelos probabilísticos e quantificação de incertezas
- Domínio de Python; proficiência em C++ ou Fortran é um diferencial; experiência com ambientes HPC (agendadores de lotes, paralelização MPI/OpenMP)
- Experiência prática no trabalho com saídas de simulação baseadas em PDEs, dados de sensores de séries temporais e espaços de parâmetros de alta dimensionalidade típicos de ambientes multifísicos
- Experiência prática com processos Gaussianos, substitutos de redes neurais, modelos de ordem reduzida ou técnicas equivalentes de metamodelagem
- Experiência na construção de pipelines robustos de ML para dados científicos — incluindo pré-processamento, engenharia de recursos, validação de modelos e implantação
- Capacidade de comunicar claramente o comportamento do modelo, intervalos de confiança e limitações para físicos, engenheiros e especialistas não-ML
- Fortes habilidades de trabalho em equipe multifuncional; conforto em trabalhar em um ambiente interdisciplinar que abrange física, engenharia e software
Diferenciais
- Experiência com redes neurais com base em física (PINNs) ou operadores neurais (DeepONet, FNO) aplicados a sistemas físicos
- Formação em física de lasers, física de plasmas, ciência de alta energia ou domínios de física complexa relacionados
- Experiência com plataformas de gêmeos digitais e integração ao vivo de modelos de ML com ambientes de simulação (por exemplo, NVIDIA Omniverse, Siemens Xcelerator, ANSYS Twin Builder)
- Familiaridade com fluxos de trabalho de otimização de projeto multidisciplinar (MDO), incluindo Design de Experimentos (DoE), análise de sensibilidade e propagação de incertezas
- Experiência na aplicação de aprendizado por reforço ao controle ou otimização de sistemas físicos
- Familiaridade com métodos de Monte Carlo e frameworks estatísticos de quantificação de incertezas
- Experiência com ferramentas de MLOps (MLflow, Weights & Biases, DVC) em um contexto de computação científica
- Interesse em energia de fusão, sistemas avançados de laser ou física de alta energia
Focused Energy é um empregador que oferece igualdade de oportunidades, comprometido em criar um ambiente inclusivo. Candidatos qualificados receberão consideração para emprego sem distinção de raça, cor, religião, sexo, orientação sexual, percepção ou identidade de gênero, origem nacional, idade, estado civil, status de veterano protegido ou status de deficiência.
De acordo com a San Francisco Fair Chance Ordinance, a Focused Energy considerará para emprego candidatos qualificados com histórico de prisões e condenações.
A remuneração oferecida será determinada por fatores como localização, nível, conhecimento, habilidades e experiência relacionados ao cargo. Certas funções podem ser elegíveis para remuneração variável, ações e benefícios.
Mais oportunidades com um só perfil
Quer aparecer para várias vagas sem repetir todo o processo? Crie seu perfil e seja encontrado pelas empresas que usam a Nort.
Criar meu perfil