資深機器學習工程師

【關於我們】
動力安全 (Dynasafe) 正在建立一支機器學習工程團隊，聚焦於科學計算、物理模擬加速與工業資料分析等應用領域。我們正在尋找具備紮實深度學習背景、能從研究到生產落地的資深工程師。

【工作內容】

模型研究與開發 (50%):

• 研究並實作適用於科學計算與物理問題的深度學習模型
• 針對特定任務 (回歸、時序、影像、物理場預測等) 設計模型架構
• 使用 PyTorch / TensorFlow 建立訓練流程
• 調校超參數、優化訓練收斂性與泛化能力

資料處理與驗證 (25%):

• 處理大規模科學資料 (HDF5, NetCDF, Parquet 等格式)
• 建立資料清理、標準化、增強流程
• 設計模型評估指標與驗證流程
• 與領域專家合作，驗證模型預測結果的物理合理性

模型部署與優化 (25%):

• 將訓練完成的模型部署至 GPU 推論環境
• 優化推論速度 (TensorRT, ONNX, 混合精度等)
• 建立模型版本管理與持續訓練流程
• 撰寫部署文件與技術說明

【技術需求】

• PyTorch (必備) 或 TensorFlow / JAX (至少一項熟練)
• 深度學習基本功 (CNN、RNN/LSTM、Transformer、Attention 機制)
• Python 3.10+ 進階開發能力
• 熟悉數值運算套件 (NumPy, SciPy, Pandas)
• 具備實際模型訓練與部署經驗 (非僅限學術研究)
• CUDA / GPU 運算基礎
• 物理資訊機器學習 (Physics-Informed ML) 經驗: PINNs, FNO, DeepONet, Neural Operators
• Surrogate Modeling 或 Reduced Order Modeling 經驗
• 熟悉 NVIDIA PhysicsNeMo 或類似框架
• CFD / 流體力學 / 熱傳 / 結構分析 等科學計算領域知識
• 高效能運算 (HPC) 或分散式訓練經驗
• 曾接觸過影像追蹤、目標偵測、3D 電腦視覺
• 學術論文發表經驗 (NeurIPS, ICML, ICLR, CVPR, SIGGRAPH 等)
• Docker、Kubernetes、MLOps 工具鏈經驗

【應用領域範例】

你將有機會參與的專案類型:

• 物理模擬加速 (以 ML 取代或加速傳統數值求解)
• 工業感測器資料時序分析與異常偵測
• 3D 場景理解與物件追蹤
• 大規模科學資料的代理模型建構
• 研究級 ML + 物理結合的前沿問題