{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "Applied AI Engineer, New Energy",
        "job_level": "高级",AI生成
        "work_category": "全职",AI生成
        "department": "",
        "location": "香港",
        "work_mode": "现场办公",AI生成
        "job_category": "AI应用实施工程师"AI生成
    },
    "company": {
        "company_name": "宁德时代新能源科...",
        "company_industry": "汽车研发/制造",
        "company_size": "10000人以上",
        "company_website": "",
        "company_description": ""
    },
    "compensation": {
        "salary_range": {
            "min": 40000,
            "max": 70000,
            "currency": "CNY",
            "cycle": "month"
        },
        "benefits": ""
    },
    "requirements": {
        "working_years": 3,
        "degree": "硕士",
        "language": "中英双语",AI生成
        "visa_support": "",
        "responsibilities": "",
        "requirements_text": "岗位职责：\n下述职责为该方向完整业务范围，应聘人员只需深耕并独立承担其中1~2项核心⼯作，其余⼯作以团队协作⽅式共同推进。\n1. AI驱动计算：立足新能源材料体系物理图像，及基本热⼒学和动力学方程，结合AI技术加速多尺度材料模拟，完成高质量物理数据的生成与闭环，完成跨学科协同验证，并配合相关研发团队完成技术追踪与落地\n2. 研发AI赋能：深耕新能源核心场景，针对新型材料设计、合成路径预测与优化、工艺优化、电池寿命预测等业务痛点，设计AI算法解决方案，完成模型研发、训练、调优与迭代落地。\n3. 科学智能融合：结合AI4S技术，对接多尺度仿真、电化学实验等科研工作，通过机器学习、深度学习、生成式AI加速新材料、新体系电池的研发迭代。\n4. 数据建模挖掘：基于时序数据、实验数据、仿真数据开展数据挖掘、特征工程，搭建场景化预测、分类、优化模型，输出可落地的算法成果、专利及技术报告。\n5. 前沿技术探索：跟踪行业前沿AI应用技术，探索大模型、智能体、强化学习、数字孪生在新能源领域的创新落地场景，配合研发团队完成技术验证与项目推进。\n6. 跨团队落地适配：协同仿真、实验、工程落地团队，完成算法模型的适配调试，保障模型在科研测试、小规模试点中的稳定运行。\n任职要求：\n对于下述两条核心专业通道（计算物理能力&AI算法能力），符合任意一条核心要求即可：\n1. 学历专业背景：硕士及以上学历，人工智能、计算机、大数据、应用数学、凝聚态物理、计算物理、计算化学、材料科学、新能源、自动化等相关专业，对固体物理，电化学热力学与动力学等有深刻理解，有AI for Science、新能源算法落地经验者优先。\n2. 计算物理能力：掌握密度泛函理论（DFT）和分子动力学模拟（MD）的底层原理和应用边界，精通至少一种主流DFT软件（VASP、Quantum ESPRESSO、CP2K等）和MD软件（LAMMPS、OPENMM、GPUMD等）；熟悉机器学习在科学计算中的应用（如MLFF等）及基础PyTorch；对高级采样（增强采样、元动力学、MC-MD）或粗粒化（Coarse-graining）建模有一定了解；\n3. AI算法能力：精通 Python 编程，熟练掌握 PyTorch / JAX / TensorFlow 等主流深度学习框架，扎实理解机器学习与时序预测等核心算法原理；在图神经网络（GNN）、等变神经网络、Transformer、扩散模型等前沿架构上有深入研发经验，且对物理约束（如能量守恒、对称性）及计算物理方法的适用边界有清晰认知。\n4. 建模实战经验：具备独立算法建模、模型训练、参数调优、效果迭代能力，有电池研发、储能优化、材料设计、工业故障检测相关AI项目落地经验者优先。\n5. 数据分析功底：具备良好的数据分析能力，能够处理科研仿真数据、工业时序数据，熟悉数据清洗、特征构建、模型验证全流程。\n6. 协同解决问题：逻辑清晰、擅长跨团队协同，能够精准理解科研业务需求，将AI技术与新能源研发场景深度结合，具备较强的问题解决能力。\n加分项：\n1. 大模型开发经验：有大模型微调、行业智能体开发、强化学习调度优化实战经验；\n2. 行业专业认知：熟悉多尺度模拟、钙钛矿/锂电材料研发、电化学机理相关知识；\n3. 成果专利产出：发表过AI+能源、AI+材料相关论文，或拥有相关技术专利。",
        "skills": [AI生成
            "行业理解与业务诊断",
            "模型训练与算法优化",
            "数据工程与数据管道",
            "编程与代码实现",
            "能源行业知识",
            "业务理解与场景抽象",
            "快速学习与自驱"
        ],
        "preferred_qualifications": "",
        "job_highlights": ""
    },
    "contact": {
        "recruiter_name": "",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://www.zhipin.com/job_detail/b2643c9e91c6e2f30nJ809-9GFtZ.html"
            }
        ]
    },
    "posting": {
        "posting_id": "b2643c9e91c6e2f30nJ809-9GFtZ",
        "post_date": "",
        "hire_time": "",
        "update_date": "",
        "job_url": "https://www.zhipin.com/job_detail/b2643c9e91c6e2f30nJ809-9GFtZ.html"
    },
    "fulltext": "岗位职责：\n下述职责为该方向完整业务范围，应聘人员只需深耕并独立承担其中1~2项核心⼯作，其余⼯作以团队协作⽅式共同推进。\n1. AI驱动计算：立足新能源材料体系物理图像，及基本热⼒学和动力学方程，结合AI技术加速多尺度材料模拟，完成高质量物理数据的生成与闭环，完成跨学科协同验证，并配合相关研发团队完成技术追踪与落地\n2. 研发AI赋能：深耕新能源核心场景，针对新型材料设计、合成路径预测与优化、工艺优化、电池寿命预测等业务痛点，设计AI算法解决方案，完成模型研发、训练、调优与迭代落地。\n3. 科学智能融合：结合AI4S技术，对接多尺度仿真、电化学实验等科研工作，通过机器学习、深度学习、生成式AI加速新材料、新体系电池的研发迭代。\n4. 数据建模挖掘：基于时序数据、实验数据、仿真数据开展数据挖掘、特征工程，搭建场景化预测、分类、优化模型，输出可落地的算法成果、专利及技术报告。\n5. 前沿技术探索：跟踪行业前沿AI应用技术，探索大模型、智能体、强化学习、数字孪生在新能源领域的创新落地场景，配合研发团队完成技术验证与项目推进。\n6. 跨团队落地适配：协同仿真、实验、工程落地团队，完成算法模型的适配调试，保障模型在科研测试、小规模试点中的稳定运行。\n任职要求：\n对于下述两条核心专业通道（计算物理能力&AI算法能力），符合任意一条核心要求即可：\n1. 学历专业背景：硕士及以上学历，人工智能、计算机、大数据、应用数学、凝聚态物理、计算物理、计算化学、材料科学、新能源、自动化等相关专业，对固体物理，电化学热力学与动力学等有深刻理解，有AI for Science、新能源算法落地经验者优先。\n2. 计算物理能力：掌握密度泛函理论（DFT）和分子动力学模拟（MD）的底层原理和应用边界，精通至少一种主流DFT软件（VASP、Quantum ESPRESSO、CP2K等）和MD软件（LAMMPS、OPENMM、GPUMD等）；熟悉机器学习在科学计算中的应用（如MLFF等）及基础PyTorch；对高级采样（增强采样、元动力学、MC-MD）或粗粒化（Coarse-graining）建模有一定了解；\n3. AI算法能力：精通 Python 编程，熟练掌握 PyTorch / JAX / TensorFlow 等主流深度学习框架，扎实理解机器学习与时序预测等核心算法原理；在图神经网络（GNN）、等变神经网络、Transformer、扩散模型等前沿架构上有深入研发经验，且对物理约束（如能量守恒、对称性）及计算物理方法的适用边界有清晰认知。\n4. 建模实战经验：具备独立算法建模、模型训练、参数调优、效果迭代能力，有电池研发、储能优化、材料设计、工业故障检测相关AI项目落地经验者优先。\n5. 数据分析功底：具备良好的数据分析能力，能够处理科研仿真数据、工业时序数据，熟悉数据清洗、特征构建、模型验证全流程。\n6. 协同解决问题：逻辑清晰、擅长跨团队协同，能够精准理解科研业务需求，将AI技术与新能源研发场景深度结合，具备较强的问题解决能力。\n加分项：\n1. 大模型开发经验：有大模型微调、行业智能体开发、强化学习调度优化实战经验；\n2. 行业专业认知：熟悉多尺度模拟、钙钛矿/锂电材料研发、电化学机理相关知识；\n3. 成果专利产出：发表过AI+能源、AI+材料相关论文，或拥有相关技术专利。"
}