The posting
方向1: 探索AI4S模型能力强化,参与构建面向物质科学发现的大模型后训练体系。围绕复杂科学问题中的跨尺度知识表示、因果链生成与推理,构建高质量指令与交互式决策数据,进行监督微调与强化学习,提升大模型在机制分析、实验设计、组分与工艺优化等下游关键任务中的推理与决策能力,赋能AI驱动的关键材料智能研发。
方向2: 探索AI驱动的自主物质科学发现闭环 ,构建大模型驱动的材料发现与优化决策的自进化智能体,实现在新材料设计、机理发现、优化决策等任务上的能力突破与耦合,推向通用材料研发AI新范式。
方向1: 1. 计算机科学、人工智能、数学、计算物理、计算化学等相关专业在读硕士、博士,特别优秀者可放宽至本科 2. 具备优秀的编程能力,熟练掌握 Python,熟悉 PyTorch 等主流深度学习框架 3. 了解大语言模型、Transformer、SFT、RLHF、DPO、PPO、GRPO等相关方法中的一种或多种 4. 具备较强的独立问题分析和解决能力,对AI4S、科学推理、大模型后训练等交叉方向感兴趣 5. 具备良好的沟通表达能力与团队合作精神,能够与跨学科团队高效合作 加分项: 1. 有大模型微调、指令数据构建、偏好数据构建、RL后训练或Agent相关项目经验 2. 熟悉Qwen、LLaMA、DeepSeek、InternLM等开源大模型,或有 LoRA、QLoRA、DeepSpeed、vLLM、TRL 等工具使用经验 3. 具有多模态大模型、生成模型、强化学习或AI4S相关研究经验者优先 4. 以第一作者身份在NeurIPS、ICML、ICLR、ACL、KDD等AI顶会,或材料、化学、物理等相关领域高水平期刊会议发表成果者优先
方向2: 计算机科学、人工智能、数学、计算物理/化学等相关专业在读硕士、博士,特别优秀者可放宽至本科 优秀的编程能力,了解数据结构与算法。熟练掌握python,熟练使用主流深度学习框架如pytorch。 了解熟悉Transformer/Diffusion Model/Reinforcement Learning/Bayesian Learning等 具备较强的独立问题分析和解决能力,对AI4S感兴趣 具备良好的沟通表达能力与团队合作精神,能够与跨学科团队高效合作 每周实习4-5天,能线下实习6个月及以上
加分项: 有计算物理、化学、材料背景,具备分子建模能力,熟悉化学结构建模工具(如RDKit、Mordred) 以第一作者身份在AI顶会顶刊如Neurips、ICML 、ICLR等上有相关成果发表,或在相关领域有突出研究成果 有开源项目经验或AI相关竞赛成绩



