Alemania
HUB.KI GmbH
Focused
Ingeniero/a de Machine Learning (m/f/d)
RemotoAlemania
Darmstadt, Hesse, Alemania
PythonC++
Traducción automática. Consulta el original.
Tu Rol
Focused Energy está construyendo el futuro de la energía limpia a través de la fusión por inercie impulsada por láser. Respaldados por nuestra ronda Serie A de $240M —la Serie A más grande y completamente asegurada en la industria global de la fusión— estamos escalando rápidamente en múltiples geografías.
Con sede en Alemania y EE. UU., hemos reunido las mentes científicas y de ingeniería más destacadas utilizando tecnologías probadas para desbloquear la energía de fusión a escala comercial. Focused Energy está trabajando para materializar una innovación científica que cambiará el juego y promete ofrecer una fuente de energía limpia, sostenible y abundante a nivel mundial.
Este puesto se encuentra en la intersección de la ingeniería de ML y la física computacional, trabajando dentro de nuestros entornos de Ingeniería de Software y Gemelo Digital. Colaborarás estrechamente con ingenieros ópticos, físicos de láser y fusión, científicos de simulación e ingenieros de sistemas para integrar inteligencia basada en datos directamente en nuestra arquitectura de Gemelo Digital. Reducirás el riesgo de diseño, acortarás los plazos de desarrollo y desbloquearás la optimización a nivel de sistema que los enfoques puramente basados en física no pueden lograr a la velocidad que necesitamos.
Qué Harás
Diseñarás, construirás y desplegarás modelos de machine learning que mejoren, aceleren y aumenten nuestros entornos de simulación multifísica en nuestros sistemas láser de alta energía, sistema de inyección y seguimiento de objetivos, sistema de fabricación de objetivos y cámara de fusión. Esto permitirá ciclos de diseño más rápidos, optimización predictiva del sistema y soporte de decisiones en tiempo real en nuestros programas de láser, objetivos y fusión.
- Modelado sustituto y de orden reducido: Diseña y despliega modelos sustitutos y de orden reducido (ROMs) que reemplacen o aceleren simulaciones multifísicas de alta fidelidad en el entorno del Gemelo Digital.
- ML con conocimiento de física: Desarrolla machine learning con conocimiento de física (PIML) y redes neuronales con conocimiento de física (PINNs) que integren restricciones físicas (ecuaciones de Maxwell, termodinámica, dinámica de fluidos) directamente en las arquitecturas de los modelos.
- Pipelines de ML: Construye y mantén pipelines de ML para entrenamiento, validación, cuantificación de incertidumbre (UQ) y refinamiento continuo de modelos contra datos experimentales y de simulación.
- Aprendizaje activo y optimización bayesiana: Implementa flujos de trabajo de aprendizaje activo y optimización bayesiana para guiar inteligentemente la exploración del espacio de diseño y reducir costosas ejecuciones de simulación.
- Integración con Gemelo Digital: Integra modelos de ML entrenados en el marco más amplio del Gemelo Digital, interactuando con salidas de simulación HPC (COMSOL, ANSYS, solvers personalizados) y datos de sensores en tiempo real.
- Detección de anomalías: Desarrolla modelos de detección de anomalías y diagnóstico predictivo para monitorizar la salud del sistema e identificar comportamientos anómalos en subsistemas láser.
- Optimización autónoma: Aplica aprendizaje por refuerzo y enfoques de control bayesiano para apoyar la optimización autónoma o semi-autónoma de parámetros operativos del láser.
- Colaboración interfuncional: Colabora con arquitectos de Gemelos Digitales, ingenieros de sistemas y científicos de simulación óptica para garantizar que los modelos de ML cumplan con los requisitos de fidelidad, latencia e incertidumbre.
- Rigor de ingeniería: Establece las mejores prácticas para el control de versiones de modelos, reproducibilidad, pruebas y documentación en un entorno de investigación de rápido movimiento.
Quién Eres
Requisitos Indispensables
- Máster o Doctorado en Machine Learning, Física Computacional, Matemáticas Aplicadas, Ciencia de Datos, Informática o un campo estrechamente relacionado.
- Experiencia demostrada en la construcción, entrenamiento y despliegue de modelos de ML para sistemas físicos complejos; dominio sólido de deep learning (PyTorch, TensorFlow/JAX), modelos probabilísticos y cuantificación de incertidumbre.
- Experto/a en Python; se valorará el dominio de C++ o Fortran; experiencia con entornos HPC (planificadores de lotes, paralelización MPI/OpenMP).
- Experiencia práctica trabajando con salidas de simulación basadas en PDE, datos de sensores de series temporales y espacios de parámetros de alta dimensionalidad típicos de entornos multifísicos.
- Experiencia práctica con procesos gaussianos, modelos sustitutos de redes neuronales, modelos de orden reducido o técnicas de metamodelado equivalentes.
- Experiencia en la construcción de pipelines de ML robustos para datos científicos, incluyendo preprocesamiento, ingeniería de características, validación de modelos y despliegue.
- Capacidad para comunicar claramente el comportamiento del modelo, los intervalos de confianza y las limitaciones a físicos, ingenieros y especialistas no expertos en ML.
- Sólidas habilidades de trabajo en equipo interfuncional; comodidad trabajando en un entorno interdisciplinario que abarca física, ingeniería y software.
Se Valorará (Nice-to-Haves)
- Experiencia con redes neuronales con conocimiento de física (PINNs) u operadores neuronales (DeepONet, FNO) aplicados a sistemas físicos.
- Formación en física de láseres, física de plasmas, ciencia de alta energía o dominios de física compleja relacionados.
- Experiencia con plataformas de gemelos digitales e integración en vivo de modelos de ML con entornos de simulación (por ejemplo, NVIDIA Omniverse, Siemens Xcelerator, ANSYS Twin Builder).
- Familiaridad con flujos de trabajo de optimización de diseño multidisciplinar (MDO), incluyendo Diseño de Experimentos (DoE), análisis de sensibilidad y propagación de incertidumbre.
- Experiencia aplicando aprendizaje por refuerzo al control u optimización de sistemas físicos.
- Familiaridad con métodos de Monte Carlo y marcos de cuantificación de incertidumbre estadística.
- Experiencia con herramientas MLOps (MLflow, Weights & Biases, DVC) en un contexto de computación científica.
- Interés en la energía de fusión, sistemas láser avanzados o física de alta energía.
Focused Energy es un empleador que ofrece igualdad de oportunidades y está comprometido con la creación de un entorno inclusivo. Los candidatos cualificados recibirán consideración para el empleo sin distinción de raza, color, religión, sexo, orientación sexual, percepción o identidad de género, origen nacional, edad, estado civil, condición de veterano protegido o condición de discapacidad.
De conformidad con la Ordenanza de Oportunidad Justa de San Francisco, Focused Energy considerará para el empleo a candidatos cualificados con antecedentes penales y de arresto.
La compensación ofrecida se determinará por factores como la ubicación, el nivel, el conocimiento, las habilidades y la experiencia relacionados con el puesto. Ciertos puestos podrán optar a una compensación por incentivos, acciones y beneficios.
Más oportunidades con un solo perfil
¿Quieres optar a más puestos sin repetir todo el proceso? Crea tu perfil para que te encuentren las empresas que usan Nort.
Crear mi perfil