跨尺度模拟与高通量计算工作流实习生（计算化学方向）

搭建并维护面向化学研究的高通量计算工作流，结合 DFT 与机器学习势（如 DPA-2、DeePMD 等）方法，实现计算任务自动提交、任务监控、结果解析与数据入库。

针对有机反应与能源催化体系（如 C–H 活化、加氢反应、CO₂/NO₃⁻ 还原等），开展反应路径搜索、过渡态定位及能量分析，提取反应能垒、吸附能和关键结构描述符等数据。

参与计算模拟数据与实验表征数据的融合整理，构建涵盖“组分—结构—谱学—活性”等信息的多模态化学数据集，为 AI 模型训练和科研智能体提供数据支持。

编写自动化脚本完成计算数据质量控制、批量结果可视化和分析报告生成，提高高通量计算流程的自动化水平。

支撑科研智能体的数据调用与实验推荐流程，探索计算模拟、机器学习模型与自主化学研究系统之间的协同机制。

参加项目组讨论并进行阶段性研究汇报，根据项目进展参与计算流程优化、算法测试和系统改进。

招募对象：本科生、硕士研究生。

化学、化工、材料、物理、计算科学等相关专业背景优先。

具备量子化学或计算化学基础，了解密度泛函理论（DFT）的基本原理。

具备以下计算化学相关经验者优先：

使用 Gaussian、VASP、CP2K、ASE 等计算工具；第一性原理计算；分子动力学模拟；机器学习势模型（如 DPA-2、DeePMD）应用。

具备 Python 脚本编程能力，能够进行数据处理和流程自动化开发。

熟悉 Linux 环境及高性能计算平台、集群任务提交与批处理流程者优先。

能够阅读英文科研论文和技术资料，并理解相关计算方法与实验设计。

本科生要求：具备计算化学、量子化学等基础课程知识；不要求已有正式科研经历，更关注学习能力、动手能力和对计算化学研究的兴趣。

硕士研究生要求：具备第一性原理计算、分子模拟或相关科研项目经验；能够相对独立开展计算任务设计、结果分析和技术调试。

具备耐心细致的科研习惯，能够接受高通量计算任务的长期运行、调试与维护，并对 AI for Science、自主化学研究方向具有持续兴趣。

实习安排：远程科研实习；周期3–6个月；每周投入10–20小时。