返回所有岗位
全职深圳

AI4Bio 基础模型算法研究员 / 专家

全职基础模型几何深度学习蛋白质设计

岗位职责

  • 生物基础大模型研发：主导或参与大分子生成与结构预测算法的设计、训练与迭代。
  • 前沿算法架构探索：探索 Diffusion Model、Geometric GNN、LLM/多模态模型在蛋白质从头设计（De novo design）、结合亲和力预测及计算生物学中的创新应用。
  • 数据与模型表征优化：针对 3D 分子表征与几何数据特性，研发高效的网络架构与训练策略，显著提升生成分子的多样性、结构稳定性与物理化学合理性。
  • 技术输出：推进算法在实际药物发现场景的落地验证，推动模型能力上限的持续提升。
  • 学术输出：撰写核心专利，并推动顶尖 AI/计算生物学学术会议（NeurIPS, ICLR, ICML, Nature子刊等）的论文发表。

任职要求

  • 教育背景：计算机科学、人工智能、计算生物学、生物信息学、应用数学、物理等相关专业硕士或博士研究生（在读或已毕业）。
  • 深度学习功底：熟练掌握 PyTorch 框架，深入理解底层张量计算、自动求导机制及分布式训练（如 DeepSpeed, Megatron-LM）。具备复杂模型从零搭建、大规模数据预训练或微调（RLHF/DPO 等）的实际项目经验。
  • 理论基础与领域知识：深入理解生成式 AI（Generative AI）核心机制，精通 Transformer、Diffusion / Flow Matching、GNN 等主流架构。
  • 对 AI for Science / 生命科学领域有极高热情，具备严谨的数理逻辑与创新思维。

加分项

  • 几何深度学习经验：深入理解 3D 分子数据表征，熟悉坐标变换、图构建、SE(3) / SO(3) 等变神经网络（如 EGNN, Equiformer 等）者优先。
  • 大模型经验：具备百亿/千亿级参数大模型预训练、长文本/多模态处理或 Alignment 实际经验者优先。
  • 学术与竞赛成果：在 AI 顶会（NeurIPS, ICLR, ICML, CVPR）或计算生物学知名期刊（Nature machine intelligence、Briefings in Bioinformatics 等）有一作/核心作者论文发表；或在 Kaggle、CAMEO、CASP 等算法/生物竞赛中取得优异成绩者优先。