生物化工过程控制AI应用工程师

AI赋能化工过程建模：负责人工智能/机器学习技术在生物质能源化工仿真中的应用，包括但不限于反应动力学预测、反应器代理模型构建、工艺参数优化、物性预测等方向，将AI模型无缝嵌入现有仿真工具链（Aspen Plus、Fluent、MATLAB）。

物理信息神经网络（PINN）开发：基于PINN求解化工过程中的偏微分方程组（Navier-Stokes、反应-扩散、多相流），开发可替代传统数值求解器的高效代理模型，实现反应器流场/温度场/浓度场的实时预测。

催化剂AI辅助设计与动力学参数提取：利用图神经网络（GNN）、Transformer、主动学习等算法，建立催化剂组分-结构-性能（活性/选择性/寿命）预测模型，从实验/文献数据中自动化提取本征动力学参数。

数字孪生平台建设：参与搭建生物质能源化工全工艺数字孪生平台，融合机理模型（First-Principles Model）与数据驱动模型（ML/DL），实现工艺状态实时映射、异常检测、故障诊断与操作优化建议。

自动化仿真流水线开发：基于AI Agent/RAG技术，开发化工仿真智能助手——自然语言交互驱动仿真流程（几何清理→网格划分→求解设置→后处理→报告生成），实现仿真效率的量级提升。

大语言模型（LLM）化工领域应用：基于开源大模型（LLaMA、Qwen、ChatGLM等）进行化工领域微调（SFT/RLHF），构建化工知识问答系统、仿真辅助Agent、自动报告生成系统，沉淀化工领域RAG知识库。

碳足迹AI预测模型：基于LCA数据库+工艺参数+时序数据，建立机器学习碳足迹预测模型，实现实时碳核算（Scope 1/2/3），支撑ISCC/RSB认证与减碳路径优化。

数据基础设施与特征工程：建立化工过程数据湖（时序数据、仿真数据、实验数据、文献数据），开展数据清洗、特征工程、数据增强、迁移学习，解决化工领域小样本与多源异构数据融合问题。

模型验证与MLOps：建立AI模型的验证框架（含物理一致性检验、泛化边界评估、不确定性量化），搭建MLOps流水线（数据版本管理→模型训练→评估→部署→监控），保障AI模型的工程可靠性。

交叉团队协同：与工艺仿真、CFD、CAE、实验、IT数据团队深度协作，定义AI需求优先级、交付标准与接口规范，输出AI模型文档、API文档与用户手册。

前沿技术跟踪与知识沉淀：持续跟踪AI for Science、AI4Chem、AI4Engineering领域最新进展，建立技术雷达，组织内部分享与培训，沉淀最佳实践与模型库

硕士及以上学历；化学工程、计算化学、计算机科学、人工智能、应用数学、计算力学、材料科学与工程等相关专业。。 2、3年以上AI+化工/AI+材料/AI+计算物理交叉领域工作经验，至少参与1个工业级AI+仿真/AI+工艺优化项目的全生命周期交付；

AI/ML核心能力： • 精通机器学习经典算法（回归、分类、聚类、降维、集成学习、贝叶斯优化）与深度学习（CNN、RNN/LSTM、Transformer、GNN、VAE、GAN/Diffusion）；

化工领域知识： • 深刻理解化工过程强化、热力学（状态方程、相平衡、活度系数模型）、反应工程（动力学、反应器分析、停留时间分布）、传递过程（动量/热量/质量传递）；

加分项： • 有PINN求解化工/流体PDE的实际项目经验（如用PINN替代CFD求解反应器流场）；