AI_機器學習模擬研究_工程師(IT)大直

**實驗執行與分析報告
1.依研究科學家與研究工程師規劃之方案，執行測試作業：設定參數、送出批次工作、監控執行狀態並收集結果
2.針對重複性工作進行腳本自動化，逐步減少人工操作步驟，提升執行效率分析與報告
3.整理實驗數據、量化誤差來源，產出圖表與結果摘要，讓團隊成員能在五分鐘內掌握本次測試結果與問題所在撰寫每週一頁失敗案例報告，記錄本週有哪些案例是現行方法無法準確預測、原因為何、佐證數據為何；長期累積成為團隊掌握「現行方法極限」的重要參考依據

**技術研究與文獻
持續追蹤機器學習相關文獻（如 Neural Operator／FNO／DeepONet、Graph Network、PINN、生成式設計等），維護閱讀清單與摘要整理
團隊每週論文討論會擔任導讀，並協助重現重要論文之關鍵結果

**建立代理模型
運用 Neural Operator（FNO／DeepONet 類）、幾何深度學習與 Physics-informed 方法，訓練可於毫秒等級預測熱流物理量的代理模型，取代設計迭代過程中部分數值求解工作以成熟的開源科學機器學習框架為開發基礎，並評估合適之商用平台；著重模型的可靠性與可驗證性，而非自行發明新架構

**訓練資料與評估
與研發系統工程師協作，制定訓練資料之產生、清理、版本控管與來源標記規則
建立模型評估流程，判斷模型是否真正學習到物理規律或僅是過擬合；設計跨幾何族群的泛化測試與不確定度量化方法量化誤差來源與模型失效邊界，並整理成他人可檢視、可驗證的分析文件

**驗證與交付
以實體測試數據驗證模型輸出結果，而非僅以模擬對模擬進行驗證
最終成果需由公司工程師於真實研發設計案上進行盲測與簽核；驗收標準於專案啟動時即明訂，不因專案進度而事後調整