【实习】AI 研究实习生（大模型训练 / Agentic RL / 智能体 / AI for Materials）

我们围绕大模型与智能体的核心能力开展研究，关注 LLM 模型训练、Agentic RL、智能体开发与自我改进，并探索 AI 与材料科学交叉的前沿问题。 AI 算法创新是我们的核心研究重点。 材料科学中的真实任务为模型与智能体提供了具有挑战性、可执行、可验证的研究环境，支持我们研究复杂推理、长程规划、工具使用与反馈学习，并检验算法的有效性与泛化能力。 我们重点欢迎具有 AI 算法、模型训练或智能体开发背景的同学，同时欢迎具有材料计算及相关科学计算背景的同学。两类背景满足其一即可，AI 方向不要求具备材料专业知识。 岗位职责 根据个人背景与研究兴趣，参与以下一个方向或交叉课题： 方向一：大模型训练与智能体研究 - **LLM / 多模态模型训练：**参与模型训练与优化，围绕推理、工具使用与复杂任务求解，开展数据构建、后训练、强化学习及模型评估研究。 - **Agentic RL：**研究智能体在多轮交互与长程任务中的学习机制，探索奖励设计、丰富反馈、信用分配与高样本效率训练，提升任务完成能力与泛化能力。 - **智能体开发：**设计和实现具备任务规划、工具调用、代码执行、记忆管理与多智能体协作能力的系统，构建可靠的执行流程与评测体系。 - **智能体自我改进：**探索任务生成、数据构建、训练优化与能力评估的自主迭代机制，研究如何利用 AI 构建和增强 AI。 - **算法验证与迭代：**依托材料科学等真实科研场景，构建具有明确反馈和可验证结果的复杂任务环境，分析模型与智能体的能力边界，推动具有通用价值的算法创新。 方向二：AI 与材料计算 - 结合第一性原理计算（DFT）、分子动力学（MD）、相场或其他多尺度模拟方法，开展材料性质预测、机理分析与材料设计研究。 - 研究或应用机器学习势函数、图神经网络、等变神经网络及生成模型，提升材料建模与模拟的效率和精度。 - 参与科学计算数据构建、模型训练与验证，并与 AI 研究人员合作，将科学问题转化为可执行、可评估的研究任务。

通用要求 - 本科、硕士或博士在读，计算机、人工智能、数学、物理、材料、化学、力学或相关专业。 - 具备扎实的 Python 编程能力，能够阅读英文文献、开展实验并分析结果。 - 具备主动学习、独立思考和团队协作能力，重视研究的严谨性与可复现性。 以下两类方向要求，满足任一类即可： A. AI 算法与智能体背景（重点招募） - 具备扎实的机器学习或深度学习基础，熟悉 PyTorch 等主流框架。 - 在以下至少一个领域具有研究或项目经验：LLM 模型训练与后训练、强化学习 / Agentic RL、智能体开发，或多模态模型、推理与规划、模型评测等。 - 能够独立完成算法或系统实现、实验设计与效果分析，对提升模型与智能体的核心能力有研究热情。 - 不要求具备材料专业背景，也不要求具备 DFT、分子动力学等计算经验。 B. 材料计算与科学计算背景 - 具有计算材料、计算物理、计算化学、计算数学或相关研究经历。 - 在以下至少一个领域具有研究或项目经验：DFT、分子动力学、机器学习势函数、相场模拟、多尺度模拟或其他面向材料问题的数值计算。 - 对将 AI 方法用于科学计算有浓厚兴趣；有机器学习或深度学习实践经验者优先。 - 不要求具备大模型训练或智能体开发经验。 加分项 以下均为加分项，不作为必要条件： - 有 LLM 训练、强化学习训练、分布式训练或训练效率优化经验。 - 有 Agent 框架、工具环境、复杂任务评测或高质量开源项目的开发经验。 - 在 AI、材料、物理、化学或科学计算领域发表过高质量论文，或在高水平竞赛中取得优异成绩。 - 有机器学习势函数、等变网络、材料生成与逆向设计等相关实践。 - 熟悉高性能计算、并行计算或科学计算工作流。 你将获得 - 充足的算力与高性能计算资源支持。 - 围绕大模型训练、强化学习与智能体核心问题开展研究的机会。 - 具有真实工具、复杂任务和可验证反馈的科学研究环境，为算法创新提供实验与验证平台。 - AI 与材料领域研究人员的联合指导，以及从算法设计、模型训练到系统验证的完整科研经历。 - 发表高质量论文、贡献开源项目和构建有影响力的研究成果的机会。