智能算法研发工程师（工研总院）(J16010)

负责锂电材料研发数据的挖掘与分析，包括实验数据（合成工艺、性能测试、循环寿命等）、分子模拟数据、DFT计算数据、生产过程数据等，构建标准化数据处理流程，解决数据缺失、噪声、异构等问题；

设计并开发适用于锂电材料场景的算法模型，重点方向包括但不限于：材料性能预测（电导率、容量、循环稳定性等）、配方/工艺参数优化、实验方案智能推荐、异常数据检测、材料结构-性能关系挖掘；

结合物理信息模型（PINN）、机器学习（ML）、深度学习（DL）、生成式模型（扩散模型等），优化算法精度与泛化能力，适配锂电材料多组分、多变量、非线性的研发场景；

参与数智化研发平台搭建，将算法模型落地集成，提供可复用的算法工具或接口，支撑研发人员高效开展实验设计与材料筛选；

跟踪锂电材料研发前沿与算法技术趋势（如大模型、生成式设计、多模态数据融合），推动技术创新与落地应用，提升研发效率与材料性能上限；

与材料研发工程师、数据工程师协同，明确业务需求，输出算法解决方案，撰写技术文档、专利与学术报告。

本科及以上学历，计算机科学、数学、统计学、材料科学与工程（锂电方向优先）、电化学、计算化学等相关专业，硕士及以上学历优先；

具备锂电材料研发或相关领域（如电池、电化学、材料计算）的基础认知，了解正极/负极/电解液等材料的核心性能指标与研发流程者优先；

熟练掌握至少一种机器学习/深度学习框架（TensorFlow、PyTorch等），具备独立设计、训练、优化算法模型的能力；

具备处理高维、异构、小样本数据的经验，能针对锂电材料研发场景设计针对性的数据挖掘方案；

熟练使用Python编程语言，精通Pandas、NumPy、Scikit-learn、SciPy等数据处理与分析库，具备数据清洗、特征提取、数据可视化的实战经验；

熟悉分子模拟工具（VASP、GROMACS等）或材料数据库（Materials Project、COD等）者优先，能处理DFT计算数据、分子动力学模拟数据者加分；

能快速理解锂电材料研发的业务痛点（如配方优化周期长、实验成本高、性能预测不准等），将业务需求转化为算法解决方案。