Job
Aus Partner-Feed
Materialwissensarchitekt
Preis auf Anfrage
Details
- Beschäftigungsart
- Vollzeit
- Remote
- Nein
- Unternehmen
- Cuspai
Beschreibung
Automatisch aus dem English übersetzt. Der Originaltext ist maßgeblich. Maschinenübersetzung – eine genauere Version wird vorbereitet.
Über CuspAI
CuspAI ist das Pionier-KI-Unternehmen mit der Mission, die bahnbrechenden Materialien zu entwickeln, die für den menschlichen Fortschritt erforderlich sind. Während die Natur Milliarden von Jahren brauchte, um Moleküle zu perfektionieren, nutzen wir KI, um in Monaten und nicht in Jahrtausenden Billionen-Dollar-Materialdurchbrüche zu erzielen. Unser Gründungsteam ist das am häufigsten zitierte der Welt und besteht aus erstklassigen Forschern in den Bereichen KI, Chemie und Ingenieurwesen.
Wir arbeiten an einigen der schwierigsten und wichtigsten Herausforderungen, darunter Energie, sauberes Wasser, die Zukunft der Computertechnik und Kohlenstoffabscheidung, und dies ist erst der Anfang dessen, was unsere „Suchmaschine“ für Materialien der nächsten Generation erschließen wird.
Wir laden Sie ein, Teil eines vielfältigen, innovativen Teams an der Schnittstelle von KI und Materialwissenschaft zu werden und daran zu arbeiten, wirkungsvolle Partnerschaften zu schaffen, die Innovation, Skalierbarkeit und Branchenzusammenarbeit vorantreiben. Diese Arbeit ist wichtig. Ihre Arbeit ist wichtig.
Wir stehen an der Schwelle zum Zeitalter der On-Demand-Materialien. Begleiten Sie uns.
Die Rolle
Aufgrund des schnellen Unternehmenswachstums und der Ausweitung externer Datenpartnerschaften suchen wir einen Materials Knowledge Architect zur Verstärkung unseres Datenteams und zur Leitung des Designs unserer wissenschaftlichen Datendarstellungen, Schemata und Aufnahmepipelines.
Ihre Wirkung
Dies ist eine spannende Gelegenheit, dem Datenteam von CuspAI beizutreten und eng mit weltweit führenden KI-Experten und Materialwissenschaftsforschern zusammenzuarbeiten, um die Datenmodelle und Aufnahmepipelines zu entwerfen, die heterogene externe Daten in verwertbare Datenbestände umwandeln. Viele der Daten, die unseren Modellen zugrunde liegen, liegen in unterschiedlichen Formaten, Schemata und Standards vor. Als Materials Knowledge Architect sind Sie dafür verantwortlich, wie diese Daten dargestellt, modelliert und in CuspAI eingebracht werden, und tragen maßgeblich dazu bei, deren Qualität im großen Maßstab sicherzustellen, damit sie die Entdeckung der nächsten Generation von Materialien vorantreiben können.
Was Sie tun werden
Datenarchitektur und Schemadesign
• Entwerfen Sie die Datenmodelle, die chemische, strukturelle und Materialeigenschaftsinformationen darstellen, und definieren Sie, wie verschiedene externe Quellen einer kohärenten, interoperablen internen Darstellung zugeordnet werden.
• Etablieren und besitzen Sie Frameworks für Datenqualität, Validierung, Deduplizierung, Abstammung und Herkunft, damit jeder aufgenommene Datensatz vertrauenswürdig, nachvollziehbar und ML-fähig ist.
• Nutzen Sie Ihr Fachwissen in Chemie, Physik und/oder Materialwissenschaften, um die Qualität, den Umfang und die Konsistenz der aus externen Quellen eingehenden Daten zu maximieren.
Aufnahme und Ausführung der Datenpipeline
• Leiten Sie die Aufnahme von Daten von Partnern – Industriepartnern, Instrumenten- und Simulationsanbietern, Forschungseinrichtungen und kommerziellen Datenanbietern – und bauen Sie robuste Pipelines auf, die Daten, die in verschiedenen Formaten und Standards eintreffen, normalisieren, harmonisieren und abgleichen.
• Tragen Sie zu den Bemühungen des Datenteams bei, neue Datenquellen, Partnerschaften und Möglichkeiten zur Datengenerierung zu identifizieren, zu bewerten und zu bewerten, einschließlich rechnerischer (z. B. DFT, Molekulardynamik) und experimenteller Kampagnen.
Partner & interdisziplinäre Zusammenarbeit
• Arbeiten Sie direkt mit externen Datenanbietern zusammen, um deren Daten zu verstehen, Formate und Standards zu vereinbaren, Schemazuordnungen zu definieren und Qualitäts-, Herkunfts- und Interoperabilitätsprobleme an der Quelle zu lösen.
• Arbeiten Sie mit Forschungs- und Technikteams zusammen, um Modellierungsanforderungen in Aufnahmeanforderungen und ML-fähige Datensätze umzusetzen.
• Kommunizieren Sie Ihre Arbeit und schärfen Sie das Bewusstsein für Möglichkeiten zur Verbesserung von Datenmodellen, Aufnahmeprozessen und der allgemeinen Datenqualität.
Fähigkeiten und Qualifikationen müssen vorhanden sein:
• Nachgewiesene Erfahrung im Entwerfen von Datenmodellen und Schemata für komplexe wissenschaftliche oder technische Bereiche und der Kuratierung hochwertiger Datenbestände daraus.
• Nachweisbare Erfahrung in der Aufnahme, Integration und Harmonisierung von Daten aus mehreren externen Quellen oder Partnern, jeweils mit unterschiedlichen Formaten, Schemata und Qualitätsstufen.
• Doktortitel in Chemie, Physik, Materialwissenschaften, Computerchemie oder einer verwandten Disziplin oder gleichwertige Erfahrung in der wissenschaftlichen Forschung.
• Experte für Datendarstellung, Ontologien, Datenmodellierung und die Kuratierung hochwertiger, interoperabler Datenbestände.
• Erfahrung in der Arbeit mit einer breiten Palette von Datentypen, die bei der Materialentdeckung verwendet werden – insbesondere experimentelle und Charakterisierungsdaten (z. B. Syntheseparameter und Verarbeitungsbedingungen, XRD-Muster, Spektroskopie, Adsorptionsisothermen, Gerätemessungen) neben berechneten Eigenschaften (z. B. DFT-abgeleitete Bildungsenergien, Bandlücken) – und deren Kartierung über heterogene Quellen hinweg.
• Tiefe Kenntnisse über Materialien und chemische Datenquellen, die sowohl experimentelle als auch rechnerische Bereiche umfassen (z. B. ICSD, Cambridge Structural Database, NOMAD, Materials Project) und über die praktischen Herausforderungen der Harmonisierung von im Labor generierten Daten – Instrumentenausgaben, ELN/LIMS-Datensätze, Einheitenkonventionen, Herkunft – in interoperable, ML-fähige Assets.
• Kenntnisse in Python und SQL mit Erfahrung im Aufbau von Datenpipelines für experimentelle und rechnerische Daten, einschließlich Schema-/Datenmodelldesign (z. B. Pydantic, JSON Schema) und Vertrautheit mit Materialien und Data-Science-Toolkits (z. B. Pymatgen, ASE, Pandas/Polars).
• Erfahrungen aus erster Hand damit, wie experimentelle Daten tatsächlich erzeugt werden – Laborabläufe, Geräte-Macken, unvollständige Metadaten – und pragmatische Strategien, um sie originalgetreu zu modellieren, anstatt sie in idealisierte Schemata zu zwingen.
• Starker Kommunikator und bewährter Kooperationspartner, der gerne direkt mit externen Partnern sowie multidisziplinären Chemie-/Physik-/Material- und Produkt-/Engineering-Teams zusammenarbeitet.
Bonuspunkte (aber nicht kritisch):
• Berufserfahrung in der Industrie eines Material-, Chemie-, Energie- oder Deep-Tech-Unternehmens oder in enger Zusammenarbeit mit der Industrie in einer Forschungseinrichtung oder einem nationalen Labor.…
Quelle: Arbeitnow (https://www.arbeitnow.co.uk/jobs/companies/cuspai/materials-knowledge-architect-london-340951)
CuspAI ist das Pionier-KI-Unternehmen mit der Mission, die bahnbrechenden Materialien zu entwickeln, die für den menschlichen Fortschritt erforderlich sind. Während die Natur Milliarden von Jahren brauchte, um Moleküle zu perfektionieren, nutzen wir KI, um in Monaten und nicht in Jahrtausenden Billionen-Dollar-Materialdurchbrüche zu erzielen. Unser Gründungsteam ist das am häufigsten zitierte der Welt und besteht aus erstklassigen Forschern in den Bereichen KI, Chemie und Ingenieurwesen.
Wir arbeiten an einigen der schwierigsten und wichtigsten Herausforderungen, darunter Energie, sauberes Wasser, die Zukunft der Computertechnik und Kohlenstoffabscheidung, und dies ist erst der Anfang dessen, was unsere „Suchmaschine“ für Materialien der nächsten Generation erschließen wird.
Wir laden Sie ein, Teil eines vielfältigen, innovativen Teams an der Schnittstelle von KI und Materialwissenschaft zu werden und daran zu arbeiten, wirkungsvolle Partnerschaften zu schaffen, die Innovation, Skalierbarkeit und Branchenzusammenarbeit vorantreiben. Diese Arbeit ist wichtig. Ihre Arbeit ist wichtig.
Wir stehen an der Schwelle zum Zeitalter der On-Demand-Materialien. Begleiten Sie uns.
Die Rolle
Aufgrund des schnellen Unternehmenswachstums und der Ausweitung externer Datenpartnerschaften suchen wir einen Materials Knowledge Architect zur Verstärkung unseres Datenteams und zur Leitung des Designs unserer wissenschaftlichen Datendarstellungen, Schemata und Aufnahmepipelines.
Ihre Wirkung
Dies ist eine spannende Gelegenheit, dem Datenteam von CuspAI beizutreten und eng mit weltweit führenden KI-Experten und Materialwissenschaftsforschern zusammenzuarbeiten, um die Datenmodelle und Aufnahmepipelines zu entwerfen, die heterogene externe Daten in verwertbare Datenbestände umwandeln. Viele der Daten, die unseren Modellen zugrunde liegen, liegen in unterschiedlichen Formaten, Schemata und Standards vor. Als Materials Knowledge Architect sind Sie dafür verantwortlich, wie diese Daten dargestellt, modelliert und in CuspAI eingebracht werden, und tragen maßgeblich dazu bei, deren Qualität im großen Maßstab sicherzustellen, damit sie die Entdeckung der nächsten Generation von Materialien vorantreiben können.
Was Sie tun werden
Datenarchitektur und Schemadesign
• Entwerfen Sie die Datenmodelle, die chemische, strukturelle und Materialeigenschaftsinformationen darstellen, und definieren Sie, wie verschiedene externe Quellen einer kohärenten, interoperablen internen Darstellung zugeordnet werden.
• Etablieren und besitzen Sie Frameworks für Datenqualität, Validierung, Deduplizierung, Abstammung und Herkunft, damit jeder aufgenommene Datensatz vertrauenswürdig, nachvollziehbar und ML-fähig ist.
• Nutzen Sie Ihr Fachwissen in Chemie, Physik und/oder Materialwissenschaften, um die Qualität, den Umfang und die Konsistenz der aus externen Quellen eingehenden Daten zu maximieren.
Aufnahme und Ausführung der Datenpipeline
• Leiten Sie die Aufnahme von Daten von Partnern – Industriepartnern, Instrumenten- und Simulationsanbietern, Forschungseinrichtungen und kommerziellen Datenanbietern – und bauen Sie robuste Pipelines auf, die Daten, die in verschiedenen Formaten und Standards eintreffen, normalisieren, harmonisieren und abgleichen.
• Tragen Sie zu den Bemühungen des Datenteams bei, neue Datenquellen, Partnerschaften und Möglichkeiten zur Datengenerierung zu identifizieren, zu bewerten und zu bewerten, einschließlich rechnerischer (z. B. DFT, Molekulardynamik) und experimenteller Kampagnen.
Partner & interdisziplinäre Zusammenarbeit
• Arbeiten Sie direkt mit externen Datenanbietern zusammen, um deren Daten zu verstehen, Formate und Standards zu vereinbaren, Schemazuordnungen zu definieren und Qualitäts-, Herkunfts- und Interoperabilitätsprobleme an der Quelle zu lösen.
• Arbeiten Sie mit Forschungs- und Technikteams zusammen, um Modellierungsanforderungen in Aufnahmeanforderungen und ML-fähige Datensätze umzusetzen.
• Kommunizieren Sie Ihre Arbeit und schärfen Sie das Bewusstsein für Möglichkeiten zur Verbesserung von Datenmodellen, Aufnahmeprozessen und der allgemeinen Datenqualität.
Fähigkeiten und Qualifikationen müssen vorhanden sein:
• Nachgewiesene Erfahrung im Entwerfen von Datenmodellen und Schemata für komplexe wissenschaftliche oder technische Bereiche und der Kuratierung hochwertiger Datenbestände daraus.
• Nachweisbare Erfahrung in der Aufnahme, Integration und Harmonisierung von Daten aus mehreren externen Quellen oder Partnern, jeweils mit unterschiedlichen Formaten, Schemata und Qualitätsstufen.
• Doktortitel in Chemie, Physik, Materialwissenschaften, Computerchemie oder einer verwandten Disziplin oder gleichwertige Erfahrung in der wissenschaftlichen Forschung.
• Experte für Datendarstellung, Ontologien, Datenmodellierung und die Kuratierung hochwertiger, interoperabler Datenbestände.
• Erfahrung in der Arbeit mit einer breiten Palette von Datentypen, die bei der Materialentdeckung verwendet werden – insbesondere experimentelle und Charakterisierungsdaten (z. B. Syntheseparameter und Verarbeitungsbedingungen, XRD-Muster, Spektroskopie, Adsorptionsisothermen, Gerätemessungen) neben berechneten Eigenschaften (z. B. DFT-abgeleitete Bildungsenergien, Bandlücken) – und deren Kartierung über heterogene Quellen hinweg.
• Tiefe Kenntnisse über Materialien und chemische Datenquellen, die sowohl experimentelle als auch rechnerische Bereiche umfassen (z. B. ICSD, Cambridge Structural Database, NOMAD, Materials Project) und über die praktischen Herausforderungen der Harmonisierung von im Labor generierten Daten – Instrumentenausgaben, ELN/LIMS-Datensätze, Einheitenkonventionen, Herkunft – in interoperable, ML-fähige Assets.
• Kenntnisse in Python und SQL mit Erfahrung im Aufbau von Datenpipelines für experimentelle und rechnerische Daten, einschließlich Schema-/Datenmodelldesign (z. B. Pydantic, JSON Schema) und Vertrautheit mit Materialien und Data-Science-Toolkits (z. B. Pymatgen, ASE, Pandas/Polars).
• Erfahrungen aus erster Hand damit, wie experimentelle Daten tatsächlich erzeugt werden – Laborabläufe, Geräte-Macken, unvollständige Metadaten – und pragmatische Strategien, um sie originalgetreu zu modellieren, anstatt sie in idealisierte Schemata zu zwingen.
• Starker Kommunikator und bewährter Kooperationspartner, der gerne direkt mit externen Partnern sowie multidisziplinären Chemie-/Physik-/Material- und Produkt-/Engineering-Teams zusammenarbeitet.
Bonuspunkte (aber nicht kritisch):
• Berufserfahrung in der Industrie eines Material-, Chemie-, Energie- oder Deep-Tech-Unternehmens oder in enger Zusammenarbeit mit der Industrie in einer Forschungseinrichtung oder einem nationalen Labor.…
Quelle: Arbeitnow (https://www.arbeitnow.co.uk/jobs/companies/cuspai/materials-knowledge-architect-london-340951)
Dieses Angebot stammt aus einem Partner-Feed. Bewerben Sie sich auf der Quell-Website.
Quelle: Cuspai
Standort
Cambridge, Vereinigtes Königreich
Inserat bereitgestellt von Cuspai.
