The posting
参与面向材料研发的机器学习模型开发，支持材料性质预测、分子表征及配方优化等任务。
协助完成数据清洗、特征处理与数据集构建，整理材料结构、配方、工艺及实验性能数据。
参与模型训练、调参和评估，搭建基线模型，开展对比实验与误差分析，提升模型预测效果及泛化能力。
跟踪相关论文与开源方法，复现有价值的算法，并结合实际研发任务验证适用性。
协同计算化学及实验团队，理解业务问题，支持模型预测结果的实验验证与迭代。
规范记录实验配置、代码及模型结果，保证研究过程可追溯、可复现。
计算机、人工智能、数学、统计、物理、化学或材料等相关专业在读，硕士及博士研究生均可。
具备扎实的机器学习基础，理解常用模型、损失函数、优化方法及评估指标。
熟练使用Python，掌握PyTorch等至少一种深度学习框架，具备独立编写和调试模型代码的能力。
具有课程项目、科研或竞赛经验，实际参与过数据处理、模型训练及效果评估，能够清晰说明自己的工作与结果。
具备英文论文阅读能力，愿意学习材料领域知识，对AI for Science有兴趣。
做事严谨，主动沟通，能够持续跟进实验结果并分析问题。
每周可实习4天及以上，连续实习3个月及以上；可长期实习者优先。
加分项
具有图神经网络、Transformer、生成模型或预训练模型相关实践经验。
接触过分子、晶体或材料数据，熟悉RDKit等相关工具。
具有小样本学习、迁移学习、不确定性估计、主动学习或贝叶斯优化经验。
有相关论文、开源贡献或算法竞赛成果。
你将获得
参与AI与材料研发结合的真实项目，接触从数据、模型到实验验证的完整过程。
与算法、计算化学及实验团队协作，获得技术指导与实践机会。
充足的算力支持与开放的技术交流氛围。
