职位描述
地点：魁北克省蒙特利尔（可远程）
经验：3–5年以上人工智能/机器学习工程经验
关于我们：我们的开创性项目正在开发一种创新的成分，以替代沥青并减轻洪水风险。我们正在利用先进的机器学习和图神经网络来预测和优化材料特性。从模型训练到完全的ASTM/AASHTO认证仅需12个月，我们需要一位在图神经网络和材料信息学方面具有深厚专业知识的杰出人工智能工程师来领导我们的建模工作。
主要职责：
神经网络模型开发与训练：
设计、实施和训练基于图的神经网络——包括CGCNN、MEGNet、SchNet、MPNN、GATGNN、Descriptor_nn、GCN和Deep_GATGNN（及其监督变体）——以准确预测我们HDPE/PP网格系统的材料特性。
在TensorFlow（或同等框架）中开发强大的训练管道，以生成符合我们严格认证时间表的模型。
数据管道与仿真集成：
构建和维护预处理管道（使用Python、NumPy、SciPy、h5py和scikit-learn），将仿真数据、实验测试结果和高级描述符集成在一起。
利用云平台（AWS）和并行计算有效处理大型数据集。
性能评估与模型优化：
持续验证模型预测与ASTM/AASHTO测试基准的符合性——确保在12个月内，所有模型支持通过认证。
使用数据增强、交叉验证和超参数调整来优化模型，以达到目标F1分数和稳健的性能指标。
跨职能协作：
与材料工程团队及领导紧密合作，确保模型输出可操作并与物理测试结果一致。
向技术和非技术利益相关者传达复杂的模型见解。
所需技能与资格：
计算机科学、电子与计算机工程或相关领域的学士或硕士学位。
3–5年以上人工智能/机器学习经验，拥有构建和部署深度学习模型的强大作品集。
在图神经网络架构方面的专业知识：CGCNN、MEGNet、SchNet、MPNN、GATGNN，以及对Descriptor_NN、GCN和Deep_GATGNN的额外经验。
精通TensorFlow、Python（及NumPy、SciPy、scikit-learn、h5py、pymatgen、ase等库），并具有云存储（AWS）和并行处理的经验。
对模型评估技术（数据增强、交叉验证、F1评分）有深入理解，并能在紧迫的截止日期下快速迭代。
优秀的沟通能力和协作心态，能够与跨学科团队无缝合作。
附加加分项：
在材料信息学或计算材料科学方面有先前经验。
熟悉无监督学习方法和其他先进的机器学习技术用于特性预测。
在整合仿真输出与实验数据以进行模型优化方面的经验。 
多伦多