宁德时代
Applied AI Engineer, New Energy
岗位职责
下述职责为该方向完整业务范围，应聘人员只需深耕并独立承担其中1~2项核心工作，其余工作以团队协作方式共同推进。
AI驱动计算：立足新能源材料体系物理图像，及基本热力学和动力学方程，结合AI技术加速多尺度材料模拟，完成高质量物理数据的生成与闭环，完成跨学科协同验证，并配合相关研发团队完成技术追踪与落地
研发AI赋能：深耕新能源核心场景，针对新型材料设计、合成路径预测与优化、工艺优化、电池寿命预测等业务痛点，设计AI算法解决方案，完成模型研发、训练、调优与迭代落地。
科学智能融合：结合AI4S技术，对接多尺度仿真、电化学实验等科研工作，通过机器学习、深度学习、生成式AI加速新材料、新体系电池的研发迭代。
数据建模挖掘：基于时序数据、实验数据、仿真数据开展数据挖掘、特征工程，搭建场景化预测、分类、优化模型，输出可落地的算法成果、专利及技术报告。
前沿技术探索：跟踪行业前沿AI应用技术，探索大模型、智能体、强化学习、数字孪生在新能源领域的创新落地场景，配合研发团队完成技术验证与项目推进。
跨团队落地适配：协同仿真、实验、工程落地团队，完成算法模型的适配调试，保障模型在科研测试、小规模试点中的稳定运行
任职要求
对于下述两条核心专业通道（计算物理能力&AI算法能力），符合任意一条核心要求即可：
学历专业背景：硕士及以上学历，人工智能、计算机、大数据、应用数学、凝聚态物理、计算物理、计算化学、材料科学、新能源、自动化等相关专业，对固体物理，电化学热力学与动力学等有深刻理解，有AI for Science、新能源算法落地经验者优先。
计算物理能力：掌握密度泛函理论（DFT）和分子动力学模拟（MD）的底层原理和应用边界，精通至少一种主流DFT软件（VASP、Quantum ESPRESSO、CP2K等）和MD软件（LAMMPS、OPENMM、GPUMD等）；熟悉机器学习在科学计算中的应用（如MLFF等）及基础PyTorch；对高级采样（增强采样、元动力学、MC-MD）或粗粒化（Coarse-graining）建模有一定了解；
AI算法能力：精通 Python 编程，熟练掌握 PyTorch / JAX / TensorFlow 等主流深度学习框架，扎实理解机器学习与时序预测等核心算法原理；在图神经网络（GNN）、等变神经网络、Transformer、扩散模型等前沿架构上有深入研发经验，且对物理约束（如能量守恒、对称性）及计算物理方法的适用边界有清晰认知。
建模实战经验：具备独立算法建模、模型训练、参数调优、效果迭代能力，有电池研发、储能优化、材料设计、工业故障检测相关AI项目落地经验者优先。
数据分析功底：具备良好的数据分析能力，能够处理科研仿真数据、工业时序数据，熟悉数据清洗、特征构建、模型验证全流程。
协同解决问题：逻辑清晰、擅长跨团队协同，能够精准理解科研业务需求，将AI技术与新能源研发场景深度结合，具备较强的问题解决能力。
加分项
大模型开发经验：有大模型微调、行业智能体开发、强化学习调度优化实战经验；
行业专业认知：熟悉多尺度模拟、钙钛矿/锂电材料研发、电化学机理相关知识；
成果专利产出：发表过AI+能源、AI+材料相关论文，或拥有相关技术专利
信息来自企业官方招聘渠道
OfferSeek 对公开岗位信息进行聚合、去重和结构化整理，最终申请以企业官方页面为准。