Scientifique des Matériaux Computationnel

Scientifique des Matériaux Computationnel Nous recherchons un scientifique des matériaux computationnel avec une solide formation dans les simulations basées sur la physique et la modélisation scientifique basée sur l'apprentissage automatique pour construire et mettre à l'échelle des flux de travail de simulation et de génération de données spécifiques au domaine. Vous travaillerez avec des chercheurs en apprentissage automatique et des équipes expérimentales pour garantir des données de haute qualité pour la formation et l'évaluation des modèles. Ce rôle est essentiel à notre capacité à générer des données scientifiques de haute fidélité, à valider des modèles prédictifs et à relier les connaissances computationnelles avec les résultats expérimentaux. Responsabilités clés : Développement de simulations avancées et de calcul scientifique Concevoir, développer et mettre à l'échelle des flux de travail de matériaux computationnels à haute performance en utilisant la théorie de la fonctionnelle de la densité (DFT), la dynamique moléculaire (MD), la modélisation de champ de phase et des méthodes de simulation de premier principe connexes, notamment leur application aux processus de synthèse à l'état solide et aux transformations de phase. Concevoir et optimiser des pipelines computationnels capables de générer et de gérer des jeux de données de matériaux à grande échelle comprenant des dizaines de milliers de composés, de structures et de sorties de simulation. Développer de nouvelles stratégies de simulation et des outils d'automatisation de flux de travail pour améliorer le débit, la reproductibilité et la rigueur scientifique. Génération et validation de données scientifiques Générer des jeux de données computationnels de haute qualité pour la formation, la validation et la référence de modèles d'IA/ML sur divers systèmes de matériaux. Établir des cadres de validation rigoureux pour référencer les sorties de simulation aux mesures expérimentales et à la littérature scientifique publiée. Évaluer l'incertitude, la précision et la performance prédictive des méthodologies computationnelles sur plusieurs domaines de matériaux. Leadership de recherche interfonctionnel Travailler en étroite collaboration avec des scientifiques expérimentaux, des ingénieurs en matériaux et des chercheurs en apprentissage automatique pour aligner les prédictions computationnelles sur le comportement réel des matériaux. Traduire les observations expérimentales en hypothèses de simulation et en modèles computationnels qui accélèrent la recherche et le développement de produits. Traduire les connaissances expérimentales et physiques en modèles basés sur les données et l'apprentissage automatique pour la découverte et l'optimisation des matériaux. Fournir un leadership scientifique sur les méthodologies computationnelles, les meilleures pratiques de simulation et les normes de qualité des données dans les programmes de recherche. Innovation et excellence technique Impulser des améliorations continues de la qualité, de la couverture, de la reproductibilité et de la scalabilité des flux de travail scientifiques. Contribuer au développement de cadres computationnels de nouvelle génération qui intègrent la simulation basée sur la physique avec la découverte de matériaux basée sur l'IA. Se tenir à la pointe des avancées en science des matériaux computationnels, en calcul haute performance et en apprentissage automatique scientifique. Qualifications : PhD en science des matériaux, en physique, en chimie, en génie chimique, en science computationnelle ou dans une discipline quantitative étroitement liée (les candidats près de terminer leur PhD peuvent également être considérés). Solide formation universitaire de haut niveau en science des matériaux et en physique, notamment en mécanique quantique, en thermodynamique et en physique de l'état solide. Expérience approfondie dans le développement et le déploiement de flux de travail de science des matériaux computationnels avancés en utilisant la DFT, la MD ou des techniques de simulation atomistique et mésoscale équivalentes, notamment les applications à la synthèse à l'état solide, à l'analyse thermodynamique et aux transformations de phase. Expertise démontrée dans la simulation à haute performance de grandes bibliothèques de matériaux, notamment des jeux de données contenant 10 000+ matériaux, structures ou expériences computationnelles combinées avec des champs de force basés sur l'apprentissage automatique ou des approches de modélisation hybride connexes Bilan de validation des prédictions computationnelles contre les données expérimentales et de traduction des résultats de simulation en connaissances scientifiques actionnables. Capacité démontrée à intégrer la modélisation basée sur la physique avec les approches basées sur les données ou l'apprentissage automatique, notamment l'expérience dans la génération de données synthétiques ou les méthodes d'IA avancées appliquées aux flux de travail scientifiques. Combinaison démontrée d'une expertise approfondie en science des matériaux avec une formation académique formelle ou un cursus de niveau gradué en apprentissage automatique, en informatique ou dans des domaines quantitatifs connexes. Expérience de travail avec de grandes données scientifiques et des flux de travail computationnels. Solide expérience de travail dans des environnements interdisciplinaires impliquant des chercheurs expérimentaux, des scientifiques computationnels et des équipes d'apprentissage automatique. Maîtrise de l'informatique scientifique, des compétences en programmation (obligatoire), de l'orchestration de flux de travail, des environnements de calcul haute performance et de l'analyse de grandes données. Excellentes compétences en communication écrite et verbale en anglais. Préféré : Exposition à l'apprentissage automatique d'état de l'art, notamment l'apprentissage par renforce