Архітектор знань про матеріали

Про CuspAI
CuspAI — передова компанія зі штучного інтелекту, яка має на меті знайти революційні матеріали, необхідні для прогресу людства. У той час як природі знадобилися мільярди років, щоб удосконалити молекули, ми використовуємо ШІ, щоб розблокувати прориви в матеріалах на трильйони доларів за місяці, а не за тисячоліття. Наша команда засновників є найбільш цитованою у світі, до її складу входять дослідники світового рівня в галузі ШІ, хімії та інженерії.

Ми працюємо над деякими з найскладніших і найважливіших завдань, зокрема над енергією, чистою водою, майбутнім комп’ютером і вловлюванням вуглецю, і це лише початок того, що розкриє наша «пошукова система» матеріалів наступного покоління.

Ми запрошуємо вас стати частиною різноманітної інноваційної команди на стику штучного інтелекту та матеріалознавства, яка працює над створенням ефективних партнерств, які стимулюють інновації, масштабованість і галузеву співпрацю. Ця робота має значення. Ваша робота має значення.

Ми на порозі ери матеріалів за вимогою. приєднуйтесь до нас

Роль
У зв’язку зі швидким зростанням компанії та розширенням партнерства з зовнішніми даними, ми шукаємо архітектора знань про матеріали, щоб приєднатися до нашої команди даних і керувати розробкою представлень наукових даних, схем і конвеєрів прийому.

Ваш вплив
Це захоплююча можливість приєднатися до команди даних CuspAI, яка тісно співпрацює з провідними світовими експертами зі штучного інтелекту та дослідниками матеріалознавства, щоб розробити моделі даних і конвеєри прийому, які перетворюють різнорідні зовнішні дані на активні дані. Значна частина даних, які використовуються в наших моделях, надходить у різних форматах, схемах і стандартах. Як архітектор знань про матеріали ви будете володіти тим, як ці дані представлені, змодельовані та введені в CuspAI, і матимете основоположне значення для забезпечення їх якості в масштабі, щоб це могло сприяти відкриттю наступного покоління матеріалів.

Що ви будете робити

Архітектура даних і дизайн схем

• Спроектуйте моделі даних, які представляють інформацію про хімічні, структурні властивості та властивості матеріалів, і визначте, як різноманітні зовнішні джерела відображаються на узгодженому, сумісному внутрішньому представленні.

• Встановіть і володійте структурами якості даних, перевірки, дедуплікації, походження та походження, щоб кожен отриманий набір даних був надійним, відстежуваним і готовим до ML.

• Використовуйте свій досвід у хімії, фізиці та/або матеріалознавстві, щоб максимізувати якість, масштаб і послідовність даних, що надходять із зовнішніх джерел.

Завантаження та виконання конвеєра даних

• Керуйте надходженням даних від партнерів — промислових співробітників, постачальників приладів і моделювання, дослідницьких установ і постачальників комерційних даних — створюючи надійні конвеєри, які нормалізують, гармонізують і узгоджують дані, що надходять у різноманітних форматах і стандартах.

• Сприяти зусиллям групи обробки даних щодо виявлення, оцінки та оцінки нових джерел даних, партнерства та можливостей генерування даних, включаючи обчислювальні (наприклад, DFT, молекулярна динаміка) та експериментальні кампанії.

Партнерська та міждисциплінарна співпраця

• Співпрацюйте безпосередньо із зовнішніми постачальниками даних, щоб зрозуміти їхні дані, узгодити формати та стандарти, визначити зіставлення схем і вирішити проблеми якості, походження та сумісності на джерелі.

• Працюйте в партнерстві між дослідницькими та інженерними командами, щоб перевести потреби моделювання у вимоги до прийому та набори даних, готові до ML.

• Повідомте про свою роботу та підвищте обізнаність про можливості вдосконалення моделей даних, процесів прийому та загальної якості даних.

Необхідно мати навички та кваліфікацію:

• Перевірений досвід розробки моделей даних і схем для складних наукових або технічних областей, а також курування високоякісних ресурсів даних з них.

• Переконливий досвід отримання, інтеграції та узгодження даних із багатьох зовнішніх джерел або партнерів, кожен з яких має різні формати, схеми та рівні якості.

• Ступінь доктора філософії з хімії, фізики, матеріалознавства, обчислювальної хімії або суміжної дисципліни або еквівалентний досвід у наукових дослідженнях.

• Експерт у представленні даних, онтологіях, моделюванні даних і керуванні високоякісними, сумісними ресурсами даних.

• Досвід роботи з широким діапазоном типів даних, які використовуються для виявлення матеріалів — особливо експериментальних даних і даних характеристики (наприклад, параметри синтезу та умови обробки, рентгенограми XRD, спектроскопія, ізотерми адсорбції, вимірювання пристроїв) поряд з обчисленими властивостями (наприклад, отримані за допомогою DFT енергії утворення, заборонені зони) — і відображення їх у різнорідних джерелах.

• Глибокі знання про матеріали та джерела хімічних даних, що охоплюють як експериментальну, так і обчислювальну області (наприклад, ICSD, Кембриджська база структурних даних, NOMAD, Materials Project), а також практичні проблеми гармонізації даних, отриманих у лабораторії — результатів вимірювань, записів ELN/LIMS, умовних одиниць, походження — у сумісні активи, готові до ML.

• Практичні знання Python і SQL з досвідом побудови конвеєрів даних для експериментальних і обчислювальних даних, включаючи проектування схем/моделей даних (наприклад, Pydantic, JSON Schema) і знайомство з матеріалами та наборами інструментів для науки про дані (наприклад, pymatgen, ASE, Pandas/Polars).

• Безпосередній досвід того, як фактично створюються експериментальні дані — робочі процеси в лабораторії, особливості приладів, неповні метадані — і прагматичні стратегії для їх правдивого моделювання, а не примушування до ідеалізованих схем.

• Сильний комунікабельний і перевірений співробітник, комфортно працювати безпосередньо із зовнішніми партнерами, а також міждисциплінарними групами хімії/фізики/матеріалів і продуктів/інженерів.

Бонусні бали (але не критичні):

• Досвід роботи в промисловості в компаніях, що займаються матеріалами, хімікатами, енергетикою чи глибокими технологіями, або тісно співпрацюють з промисловістю в дослідницькій установі чи національній лабораторії.…

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