小鹏汽车动力系统大数据开发实习生
任职要求
1. 专业要求： -本科及硕士实习生：计算机科学、软件工程、数据科学、统计学、车辆工程等相关专业本科及以上学历； -博士实习生：博士学历，研究方向聚焦智能网联汽车、车路协同（V2X）、新能源动力系统，或相关领域（如自动驾驶感知、车载通信协议、动力电池AI建模） 2. 技能要求： - 熟悉Python、R、SQL等数据分析与处理工具； - 了解常用的数据分析与机器学习算法（如回归分析、聚类分析、决策树等）； - 具备一定的数据可视化能力，熟悉常用数据分析工具； - 了解大数据处理框架（如Hadoop、Spark）者优先； 3. 经验要求： - 有数据分析、数据挖掘相…
工作职责
作为动力大数据开发分析实习生，你将有机会参与到动力系统的数据采集、清洗、分析和建模工作中，协助团队挖掘数据背后的规律，为动力系统的优化提供数据支持。 1. 数据采集与清洗：协助团队完成动力系统相关数据的采集、清洗与预处理工作，确保数据质量； 2. 数据分析与建模：基于动力系统数据，进行数据分析和建模，挖掘数据背后的规律，为动力系统优化提供支持； 3. 数据可视化：利用可视化工具（如Tableau、Power BI等）制作数据报告，直观展示分析结果； 4. 算法开发与优化：参与动力系统相关算法的开发与优化，提升数据分析的准确性和效率； 5. 团队协作：与研发、测试等团队紧密合作，确保数据分析结果能够有效支持产品开发与优化； 6. 文档撰写：整理分析过程与结果，撰写技术文档与报告。
1.参与动力系统算法开发与优化； 2.应用机器学习、深度学习技术构建各类算法模型； 3.应用大模型等技术应用于部门研发提效； 4.与动力研发团队协作，将算法成果落地到实际产品场景。
1.参与动力系统算法开发与优化，通过大数据挖掘用户与产品画像； 2.基于SQL/Python进行数据清洗、特征工程及可视化分析； 3.应用机器学习、深度学习技术构建各类算法模型； 4.与动力研发团队协作，将算法成果落地到实际产品场景。
1.参与动力系统算法开发与优化； 2.应用机器学习、深度学习技术构建各类算法模型； 3.应用大模型等技术应用于部门研发提效； 4.与动力研发团队协作，将算法成果落地到实际产品场景。
日常实习：面向全体在校生，为符合岗位要求的同学提供为期3个月及以上的项目实践机会。 团队介绍：科学计算团队成员来自于机器学习、分子动力学模拟、量子化学、计算材料、高性能计算等领域，我们结合深度学习、计算化学、高通量计算等手段，探索解决生物、物理、材料等自然科学领域的挑战性难题，也在实际应用中证明价值。 我们重点关注生物、材料领域，解决其中的挑战性难题： - 探索前沿的分子动力学模拟、增强采样、自由能和其他性质计算方法，并规模化应用在药物和材料发现中； - 覆盖多样的生物、材料体系的经验力场和机器学习力场，结合实验数据和大量高精度量子化学数据，解决复杂体系的精确模拟和性质预测问题； - 构建生物场景蛋白、核酸、有机小分子等体系的通用模型，解决结构预测、构象生成、性质预测、分子生成等问题； - 结合大语言模型和多模态能力，解决生物、材料领域的实际挑战； - 开发高效的DFT计算框架，解决复杂体系的量化计算问题。 课题介绍：随着计算能力的指数级增长，分子动力学、量子化学、深度学习和大语言模型的融合加速，推动了科学研究范式的突破。分子动力学结合量子化学与机器学习，在药物与材料领域展现出强大潜力；蛋白质语言模型利用大规模序列与结构数据，提升蛋白质建模、功能预测、构象预测及生成式设计的效率与准确性。同时，深度学习通过架构、数据和适用体系的扩展（Scaling），在复合物结构预测、蛋白与药物设计等问题上发挥越来越重要的作用，帮助解决过去难以克服的复杂科学挑战。此外，量子化学结合深度学习、量子嵌入与量子计算，实现多电子系统的精确建模，推动新一代物理化学技术的发展。这些创新不仅带来了理论突破，也在药物与材料研发等实际应用中展现出巨大价值。 结构是理解生命过程与实现药物理性设计的关键基础。我们致力于构建以结构为中心的多模态生物分子基础模型，采用统一架构支撑复合物结构预测、功能建模与分子设计等关键任务。依托紧密的团队协作，我们融合机器学习、结构生物学、计算化学与CADD等多学科方法，结合强大的计算资源与工程化能力，构建高精度、具备泛化能力的生物分子基础模型，推动领域实现突破性进展。 1、加入背景多元的研究团队，和机器学习、计算化学、计算生物等领域的团队成员密切配合，通过团队合作来追求重量级成果； 2、参与构建和优化覆盖全生物分子类型的复合物结构预测模型，共同定义和开发下一代复合物结构预测模型； 3、跟踪研究领域的最新进展，与团队共同建立广泛深入的专业认知； 4、通过广泛合作验证和推广计算工具，创造学术与社会价值。