博士后（人工智能加速材料研发方向）(J14813)

机器学习力场开发：面向前沿存储材料体系，开发高精度、可迁移的通用机器学习力场，作为统一的原子级仿真底座，加速材料仿真计算；

AI辅助材料建模：开展前沿存储材料体系的原子级结构建模与性质计算，突破传统 DFT 小体系、短时域的限制，获得更接近实验真实状态的结构与性质；

AI工艺调优与电性预测：基于力场优化的界面构型与工艺试验数据，构建数据机理融合模型，为材料成分与工艺窗口选择提供端到端预测；

AI 4S 平台建设：沉淀"数据生成→力场开发→多尺度仿真"全流程的数据资产与工具链，向工艺、器件、可靠性团队输出可复用的仿真能力。

物理、材料、化学、微电子等相关专业，具备扎实的凝聚态物理与统计力学基础；

具有熟练使用 CP2K 等第一性原理工具，有界面输运性质计算、半导体介质材料/界面仿真经验等优先；

扎实的机器学习/深度学习理论基础，具备算法模型实际落地经验；熟悉机器学习力场开发/训练流程与分子动力学模拟框架，具备前沿存储材料体系的结构建模、主动学习迭代经验者优先；

良好的编程与工程素养（Python/C++），具备大数据处理与复杂系统调试能力；

发表过高水平学术论文，具有强烈的科研兴趣和创新精神，治学严谨，具备良好的团队协作与沟通表达能力。