Αρχιτέκτονας Γνώσης Υλικών

Σχετικά με το CuspAI
Η CuspAI είναι η συνοριακή εταιρεία τεχνητής νοημοσύνης με αποστολή να λύσει τα καινοτόμα υλικά που απαιτούνται για την ενίσχυση της ανθρώπινης προόδου. Ενώ η φύση χρειάστηκε δισεκατομμύρια χρόνια για να τελειοποιήσει τα μόρια, αξιοποιούμε την τεχνητή νοημοσύνη για να ξεκλειδώσουμε καινοτομίες υλικών τρισεκατομμυρίων δολαρίων σε μήνες, όχι σε χιλιετίες. Η ιδρυτική μας ομάδα είναι η πιο δημοφιλής στον κόσμο, που αποτελείται από ερευνητές παγκόσμιας κλάσης στην τεχνητή νοημοσύνη, τη χημεία και τη μηχανική.

Εργαζόμαστε πάνω σε μερικές από τις πιο δύσκολες και σημαντικότερες προκλήσεις, όπως η ενέργεια, το καθαρό νερό, το μέλλον των υπολογιστών και η δέσμευση άνθρακα, και αυτή είναι μόνο η αρχή του τι θα ξεκλειδώσει η «μηχανή αναζήτησής» μας για υλικά επόμενης γενιάς.

Σας προσκαλούμε να γίνετε μέλος μιας ποικιλόμορφης, καινοτόμου ομάδας στη διασταύρωση της τεχνητής νοημοσύνης και της επιστήμης των υλικών, που εργάζεται για τη δημιουργία αποτελεσματικών συνεργασιών που οδηγούν στην καινοτομία, την επεκτασιμότητα και τη βιομηχανική συνεργασία. Αυτό το έργο έχει σημασία. Η δουλειά σου έχει σημασία.

Βρισκόμαστε στο κατώφλι της εποχής των υλικών κατ' απαίτηση. Ελάτε μαζί μας.

Ο Ρόλος
Λόγω της ταχείας ανάπτυξης της εταιρείας και της επέκτασης των εξωτερικών συνεργασιών δεδομένων, αναζητούμε έναν Αρχιτέκτονα Γνώσης Υλικών για να ενταχθεί στην ομάδα Δεδομένων μας και να ηγηθεί του σχεδιασμού των αναπαραστάσεων επιστημονικών δεδομένων, των σχημάτων και των αγωγών απορρόφησης.

Ο αντίκτυπός σας
Αυτή είναι μια συναρπαστική ευκαιρία να συμμετάσχετε στην ομάδα δεδομένων στο CuspAI, σε στενή συνεργασία με κορυφαίους εμπειρογνώμονες τεχνητής νοημοσύνης και ερευνητές της επιστήμης των υλικών για να σχεδιάσετε μοντέλα δεδομένων και αγωγούς απορρόφησης που μετατρέπουν ετερογενή εξωτερικά δεδομένα σε ενεργά στοιχεία δεδομένων. Πολλά από τα δεδομένα που τροφοδοτούν τα μοντέλα μας φτάνουν σε διαφορετικές μορφές, σχήματα και πρότυπα. Ως Αρχιτέκτονας Γνώσης Υλικών, θα είστε ιδιοκτήτης του τρόπου με τον οποίο αναπαρίστανται, μοντελοποιούνται και εισάγονται αυτά τα δεδομένα στο CuspAI και θα είναι θεμελιώδης για τη διασφάλιση της ποιότητάς τους σε κλίμακα, ώστε να μπορεί να τροφοδοτήσει την ανακάλυψη της επόμενης γενιάς υλικών.

Τι θα κάνετε

Αρχιτεκτονική Δεδομένων & Σχεδιασμός Σχημάτων

• Σχεδιάστε τα μοντέλα δεδομένων που αντιπροσωπεύουν πληροφορίες χημικών, δομικών και ιδιοτήτων υλικών και ορίστε πώς οι διαφορετικές εξωτερικές πηγές αντιστοιχίζονται σε μια συνεκτική, διαλειτουργική εσωτερική αναπαράσταση.

• Δημιουργήστε και κατέχετε τα πλαίσια ποιότητας, επικύρωσης, αφαίρεσης διπλότυπων δεδομένων, καταγωγής και προέλευσης, έτσι ώστε κάθε σύνολο δεδομένων που απορροφάται να είναι αξιόπιστο, ανιχνεύσιμο και έτοιμο για ML.

• Χρησιμοποιήστε την τεχνογνωσία σας στη χημεία, τη φυσική ή/και την επιστήμη των υλικών για να μεγιστοποιήσετε την ποιότητα, την κλίμακα και τη συνέπεια των δεδομένων που εισρέουν από εξωτερικές πηγές.

Απορρόφηση & Εκτέλεση Σωληνώσεων Δεδομένων

• Καθοδηγήστε την απορρόφηση δεδομένων από συνεργάτες — βιομηχανικούς συνεργάτες, προμηθευτές οργάνων και προσομοίωσης, ερευνητικά ιδρύματα και παρόχους εμπορικών δεδομένων — δημιουργώντας ισχυρούς αγωγούς που εξομαλύνουν, εναρμονίζουν και εναρμονίζουν τα δεδομένα που φτάνουν σε ποικίλες μορφές και πρότυπα.

• Συμβάλετε στις προσπάθειες της ομάδας δεδομένων για τον εντοπισμό, την αξιολόγηση και την αξιολόγηση νέων πηγών δεδομένων, συνεργασιών και ευκαιριών δημιουργίας δεδομένων, συμπεριλαμβανομένων υπολογιστικών (π.χ. DFT, μοριακή δυναμική) και πειραματικών καμπανιών.

Συνεργασία & Διεπιστημονική Συνεργασία

• Συνεργαστείτε απευθείας με εξωτερικούς παρόχους δεδομένων για να κατανοήσετε τα δεδομένα τους, να συμφωνήσετε μορφές και πρότυπα, να ορίσετε αντιστοιχίσεις σχημάτων και να επιλύσετε ζητήματα ποιότητας, προέλευσης και διαλειτουργικότητας στην πηγή.

• Εργαστείτε σε συνεργασία μεταξύ ομάδων έρευνας και μηχανικής για τη μετάφραση των αναγκών μοντελοποίησης σε απαιτήσεις απορρόφησης και σύνολα δεδομένων ML-ready.

• Επικοινωνήστε την εργασία σας και αυξήστε την ευαισθητοποίηση σχετικά με τις ευκαιρίες βελτίωσης των μοντέλων δεδομένων, των διαδικασιών απορρόφησης και της συνολικής ποιότητας δεδομένων.

Απαραίτητα προσόντα και δεξιότητες:

• Αποδεδειγμένη εμπειρία στο σχεδιασμό μοντέλων δεδομένων και σχημάτων για σύνθετους επιστημονικούς ή τεχνικούς τομείς και επιμέλεια στοιχείων υψηλής ποιότητας από αυτά.

• Αποδεδειγμένη εμπειρία απορρόφησης, ενσωμάτωσης και εναρμόνισης δεδομένων από πολλαπλές εξωτερικές πηγές ή συνεργάτες, το καθένα με διαφορετικές μορφές, σχήματα και επίπεδα ποιότητας.

• Διδακτορικό στη Χημεία, στη Φυσική, στην Επιστήμη των Υλικών, στην Υπολογιστική Χημεία ή σε συναφή γνωστικό αντικείμενο ή αντίστοιχη εμπειρία στην επιστημονική έρευνα.

• Ειδικός στην αναπαράσταση δεδομένων, τις οντολογίες, τη μοντελοποίηση δεδομένων και την επιμέλεια υψηλής ποιότητας, διαλειτουργικών στοιχείων δεδομένων.

• Εμπειρία εργασίας με ένα ευρύ φάσμα τύπων δεδομένων που χρησιμοποιούνται στην ανακάλυψη υλικών — ειδικά πειραματικά δεδομένα και δεδομένα χαρακτηρισμού (π.χ. παράμετροι σύνθεσης και συνθήκες επεξεργασίας, μοτίβα XRD, φασματοσκοπία, ισόθερμες προσρόφησης, μετρήσεις συσκευών) παράλληλα με υπολογισμένες ιδιότητες (π.

• Βαθιά γνώση των πηγών υλικών και χημικών δεδομένων που εκτείνονται τόσο σε πειραματικούς όσο και σε υπολογιστικούς τομείς (π.χ. ICSD, Cambridge Structural Database, NOMAD, Materials Project) και των πρακτικών προκλήσεων της εναρμόνισης των δεδομένων που δημιουργούνται από εργαστήριο — έξοδοι οργάνων, εγγραφές ELN/LIMS, συμβάσεις μονάδων, προέλευση μεταξύ λειτουργιών, προέλευση.

• Γνώση εργασίας Python και SQL με εμπειρία στη δημιουργία αγωγών δεδομένων για πειραματικά και υπολογιστικά δεδομένα, συμπεριλαμβανομένου του σχεδιασμού σχημάτων/μοντέλων δεδομένων (π.χ. Pydantic, JSON Schema) και εξοικείωση με εργαλειοθήκες υλικών και επιστήμης δεδομένων (π.χ. pymatgen, ASE, Pandas/Polars).

• Εμπειρία από πρώτο χέρι σχετικά με τον τρόπο με τον οποίο παράγονται πραγματικά τα πειραματικά δεδομένα — εργαστηριακές ροές εργασίας, ιδιορρυθμίες οργάνων, ελλιπή μεταδεδομένα — και ρεαλιστικές στρατηγικές για πιστή μοντελοποίησή τους αντί για εξαναγκασμό τους σε εξιδανικευμένα σχήματα.

• Ισχυρός επικοινωνιακός και αποδεδειγμένος συνεργάτης, άνετος να εργάζεστε απευθείας με εξωτερικούς συνεργάτες καθώς και με διεπιστημονικές ομάδες χημείας/φυσικής/υλικών και προϊόντων/μηχανικών.

Πόντοι μπόνους (αλλά όχι κρίσιμοι):

• Εμπειρία εργασίας στη βιομηχανία σε εταιρεία υλικών, χημικών, ενέργειας ή βαθιάς τεχνολογίας ή στενή εμπειρία με τη βιομηχανία σε ερευνητικό ίδρυμα ή εθνικό εργαστήριο.…

Πηγή: Arbeitnow (https://www.arbeitnow.co.uk/jobs/companies/cuspai/materials-knowledge-architect-london-340951)