Machine Learning Engineer (f/m/d)

Автоматический пересказ вакансии на русском. Полный текст на языке оригинала и форма отклика — на сайте работодателя.

ML-инженер на стыке машинного обучения и вычислительной физики в команду Digital Twin. Задача — встраивать data-driven модели в мультифизические симуляции лазерных и термоядерных систем, ускорять расчёты и оптимизировать проектирование.

Задачи

• Проектировать и внедрять surrogate- и reduced-order-модели (ROM), заменяющие или ускоряющие высокоточные мультифизические симуляции в среде Digital Twin
• Разрабатывать physics-informed ML (PIML) и physics-informed neural networks (PINNs), встраивающие физические ограничения (уравнения Максвелла, термодинамика, гидродинамика) в архитектуру моделей
• Строить и поддерживать ML-пайплайны для обучения, валидации, оценки неопределённости (UQ) и непрерывного уточнения моделей на экспериментальных и симуляционных данных
• Реализовывать active learning и Bayesian optimization для управления исследованием пространства проектных решений и сокращения дорогих симуляций
• Интегрировать обученные модели в Digital Twin, связывая их с выходами HPC-симуляций (COMSOL, ANSYS, кастомные солверы) и данными сенсоров в реальном времени
• Разрабатывать модели anomaly detection и предиктивной диагностики для мониторинга состояния лазерных подсистем
• Применять reinforcement learning и байесовское управление для автономной и полуавтономной оптимизации параметров работы лазера
• Сотрудничать с архитекторами Digital Twin, системными инженерами и специалистами по оптическому моделированию для соблюдения требований к точности, латентности и неопределённости
• Выстраивать практики версионирования моделей, воспроизводимости, тестирования и документирования в быстро меняющейся исследовательской среде

Требования

• Магистратура или PhD в Machine Learning, вычислительной физике, прикладной математике, Data Science, Computer Science или смежной области
• Подтверждённый опыт построения, обучения и деплоя ML-моделей для сложных физических систем; сильное владение deep learning (PyTorch, TensorFlow/JAX), вероятностными моделями и оценкой неопределённости
• Экспертный Python; C++ или Fortran как плюс; опыт работы с HPC (batch-планировщики, MPI/OpenMP)
• Опыт работы с выходами PDE-симуляций, временными рядами сенсоров и многомерными пространствами параметров мультифизических сред
• Практический опыт с Gaussian processes, нейросетевыми суррогатами, reduced-order моделями или аналогичными методами метамоделирования
• Опыт построения надёжных ML-пайплайнов для научных данных: препроцессинг, feature engineering, валидация моделей, деплой
• Умение понятно объяснять поведение модели, доверительные интервалы и ограничения физикам, инженерам и не-ML специалистам
• Сильные навыки кросс-функциональной работы в междисциплинарной среде на стыке физики, инженерии и software

Условия

• Работа в компании, строящей будущее чистой энергетики через лазерный инерциальный термоядерный синтез
• Финансирование Series A на $240M — крупнейший полностью закрытый Series A в мировой термоядерной индустрии
• Офисы в Германии и США, команда из ведущих научных и инженерных специалистов
• Компенсация определяется локацией, уровнем, знаниями, навыками и опытом; возможны incentive compensation, equity и benefits
• Равные возможности для всех кандидатов, инклюзивная среда

Навыки

• Python
• PyTorch
• TensorFlow
• JAX
• C++
• Fortran
• MPI
• OpenMP
• HPC
• Gaussian processes
• PINNs
• DeepONet
• FNO
• Bayesian optimization
• Reinforcement learning
• Anomaly detection
• COMSOL
• ANSYS
• MLflow
• Weights & Biases
• DVC
• Monte Carlo methods
• Uncertainty quantification