Allemagne
HUB.KI GmbH
Focused
Ingénieur(e) en Machine Learning (H/F/D)
À distanceAllemagne
Darmstadt, Hesse, Allemagne
PythonC++
Traduction automatique. Consultez l’original.
Votre rôle
Focused Energy construit l'avenir de l'énergie propre grâce à la fusion par confinement inertiel pilotée par laser. Soutenus par notre série A de 240 millions de dollars — la plus importante série A entièrement sécurisée de l'industrie mondiale de la fusion — nous nous développons rapidement dans plusieurs régions.
Basés en Allemagne et aux États-Unis, nous avons réuni les meilleurs esprits scientifiques et ingénieurs en utilisant des technologies éprouvées pour débloquer la puissance de la fusion à l'échelle commerciale. Focused Energy s'efforce de réaliser une innovation scientifique révolutionnaire qui promet de fournir une source d'énergie propre, durable et abondante à l'échelle mondiale.
Ce rôle se situe à l'intersection de l'ingénierie ML et de la physique computationnelle, au sein de nos environnements d'ingénierie logicielle et de jumeau numérique. Vous collaborerez étroitement avec des ingénieurs optiques, des physiciens des lasers et de la fusion, des scientifiques de simulation et des ingénieurs systèmes pour intégrer l'intelligence axée sur les données directement dans notre architecture de jumeau numérique. Vous réduirez les risques de conception, raccourcirez les délais de développement et débloquerez une optimisation au niveau du système que les approches purement basées sur la physique ne peuvent pas atteindre à la vitesse dont nous avons besoin.
Ce que vous ferez
Vous concevrez, construirez et déployerez des modèles de machine learning qui amélioreront, accéléreront et augmenteront nos environnements de simulation multiphysiques pour nos systèmes laser haute énergie, notre système d'injection et de suivi de cible, notre système de fabrication de cibles et notre chambre de fusion. Cela permettra des cycles de conception plus rapides, une optimisation prédictive des systèmes et un support de décision en temps réel pour nos programmes laser, de ciblage et de fusion.
- Modélisation par substitution et à ordre réduit : Concevoir et déployer des modèles par substitution et à ordre réduit (ROM) qui remplacent ou accélèrent les simulations multiphysiques de haute fidélité dans l'environnement du jumeau numérique.
- ML informé par la physique : Développer des modèles de machine learning (PIML) et des réseaux neuronaux informés par la physique (PINN) qui intègrent des contraintes physiques (équations de Maxwell, thermodynamique, dynamique des fluides) directement dans les architectures de modèles.
- Pipelines ML : Construire et maintenir des pipelines ML pour l'entraînement, la validation, la quantification de l'incertitude (UQ) et le raffinement continu des modèles par rapport aux données expérimentales et de simulation.
- Apprentissage actif et optimisation bayésienne : Implémenter des flux de travail d'apprentissage actif et d'optimisation bayésienne pour guider intelligemment l'exploration de l'espace de conception et réduire les coûteuses exécutions de simulation.
- Intégration du jumeau numérique : Intégrer les modèles ML entraînés dans le cadre plus large du jumeau numérique, en assurant l'interface avec les sorties de simulation HPC (COMSOL, ANSYS, solveurs personnalisés) et les données de capteurs en temps réel.
- Détection d'anomalies : Développer des modèles de détection d'anomalies et de diagnostic prédictif pour surveiller l'état du système et identifier les comportements non nominaux dans les sous-systèmes laser.
- Optimisation autonome : Appliquer l'apprentissage par renforcement et les approches de contrôle bayésien pour soutenir l'optimisation autonome ou semi-autonome des paramètres de fonctionnement du laser.
- Collaboration interfonctionnelle : Collaborer avec les architectes de jumeaux numériques, les ingénieurs systèmes et les scientifiques de simulation optique pour garantir que les modèles ML répondent aux exigences de fidélité, de latence et d'incertitude.
- Rigueur d'ingénierie : Établir les meilleures pratiques pour le versionnement des modèles, la reproductibilité, les tests et la documentation dans un environnement de recherche en évolution rapide.
Qui vous êtes
Indispensables
- Master ou Doctorat en Machine Learning, Physique Computationnelle, Mathématiques Appliquées, Science des Données, Informatique, ou un domaine étroitement lié.
- Expérience avérée dans la construction, l'entraînement et le déploiement de modèles ML pour des systèmes physiques complexes ; excellente maîtrise du deep learning (PyTorch, TensorFlow/JAX), des modèles probabilistes et de la quantification de l'incertitude.
- Maîtrise experte de Python ; maîtrise de C++ ou Fortran un plus ; expérience des environnements HPC (ordonnanceurs de tâches, parallélisation MPI/OpenMP).
- Expérience pratique du travail avec les sorties de simulation basées sur les EDP, les données de capteurs en série chronologique et les espaces de paramètres de haute dimension typiques des environnements multiphysiques.
- Expérience pratique des processus gaussiens, des modèles de substitution neuronaux, des modèles à ordre réduit ou des techniques de méta-modélisation équivalentes.
- Expérience dans la construction de pipelines ML robustes pour les données scientifiques, y compris le prétraitement, l'ingénierie des caractéristiques, la validation des modèles et le déploiement.
- Capacité à communiquer clairement le comportement des modèles, les intervalles de confiance et les limitations aux physiciens, ingénieurs et spécialistes non-ML.
- Solides compétences en équipe interfonctionnelle ; aisance à travailler dans un environnement interdisciplinaire couvrant la physique, l'ingénierie et le logiciel.
Atouts
- Expérience avec les réseaux neuronaux informés par la physique (PINN) ou les opérateurs neuronaux (DeepONet, FNO) appliqués à des systèmes physiques.
- Connaissances en physique des lasers, physique des plasmas, science de la haute densité d'énergie ou domaines de physique complexes connexes.
- Expérience avec les plateformes de jumeaux numériques et l'intégration en direct de modèles ML avec des environnements de simulation (par exemple, NVIDIA Omniverse, Siemens Xcelerator, ANSYS Twin Builder).
- Connaissance des flux de travail d'optimisation multidisciplinaire (MDO), y compris la conception expérimentale (DoE), l'analyse de sensibilité et la propagation de l'incertitude.
- Expérience dans l'application de l'apprentissage par renforcement au contrôle ou à l'optimisation de systèmes physiques.
- Connaissance des méthodes de Monte Carlo et des cadres de quantification de l'incertitude statistique.
- Expérience avec les outils MLOps (MLflow, Weights & Biases, DVC) dans un contexte de calcul scientifique.
- Intérêt pour l'énergie de fusion, les systèmes laser avancés ou la physique de la haute densité d'énergie.
Focused Energy est un employeur qui souscrit au principe de l'égalité des chances et s'engage à créer un environnement inclusif. Les candidats qualifiés recevront une considération pour l'emploi sans distinction de race, de couleur, de religion, de sexe, d'orientation sexuelle, d'identité ou de perception de genre, d'origine nationale, d'âge, de statut matrimonial, de statut d'ancien combattant protégé ou de handicap.
Conformément à l'ordonnance de San Francisco sur la "Fair Chance", Focused Energy examinera pour l'emploi les candidats qualifiés ayant des antécédents d'arrestation et de condamnation.
La rémunération offerte sera déterminée par des facteurs tels que l'emplacement, le niveau, les connaissances, les compétences et l'expérience liés au poste. Certains postes peuvent être éligibles à une rémunération incitative, à des actions, à des avantages sociaux.
Plus d’opportunités avec un seul profil
Vous souhaitez accéder à plus de postes sans répéter tout le processus ? Créez votre profil pour être trouvé par les entreprises utilisant Nort.
Créer mon profil