PostEra 代理科学机器学习研究员（远程）
PostEra 正在寻找一名机器学习研究员，构建用于人工智能驱动生物技术的智能代理系统和自适应模型。该职位将计算方法应用于药物化学和药物发现。
描述
- 通过自动化生化和生理过程的机制建模，构建 PostEra 的智能代理研究职能
- 分析生物数据以验证靶点，并利用机器学习模型为药物发现决策提供依据
- 创建能够在标注数据有限的情况下适应新药物发现挑战的机器学习方法
- 利用专有多模态数据开发分子和表格型上下文学习系统及基础模型
- 评估相关的先前示例和任务，衡量迁移何时有益或有害，并在分布偏移下提供可靠预测
- 定义任务，构建数据集和评估情境，建立基线，训练并扩展模型，开展严谨的消融实验，并将有效方法转化为科学能力
- 开发并基准测试用于定量生物和生理建模的智能代理系统
- 领导上下文学习、智能代理系统、小样本适应、表格型基础模型和分子机器学习领域的独立研究项目
- 设计并训练能够适应新检测方法、终点、靶点和化学系列的模型
- 针对强基线评估方法，并创建能够考虑偏差敏感性的测试案例
- 与科学家合作开展效力建模、ADME 预测、选择性分析、先导化合物优化和早期临床研究设计
- 构建高效的训练和数据管道，同时扩展分子和表格型问题上的模型
- 编写可读且可复现的研究代码，记录实验，并支持代码审查和共享建模基础设施
- 在领先的机器学习、药物化学或计算生物学学术平台发表研究成果，并代表 PostEra 参与科学界交流
任职要求
- 拥有机器学习博士学位，或拥有专注于开发新型机器学习方法的 STEM 研究领域博士学位
- 通过论文发表、开源贡献或同等工作证明具备高质量研究能力
- 在现代机器学习、深度学习或统计建模方面拥有扎实的研究或工程背景，并深入理解算法理论
- 至少在一个相关领域具备专业能力，包括智能代理科学工作流、生物信息学或临床数据机器学习、上下文学习、表格学习或小样本学习
- 具备使用 Python 及 PyTorch 或 JAX 等框架训练、调试和评估机器学习模型的实践经验
- 能够将模糊的科学或技术问题转化为定义清晰的机器学习项目，并制定数据集、任务、基线、指标和验证计划
- 能够设计严谨的实验、基准测试和消融实验，区分真实收益与偏差，并识别模型改进的来源
- 能够适应创业公司环境：优先事项会变化，数据可能不完美，良好判断力与模型复杂度同样重要
- 不要求具备药物发现经验
- 优先：具备针对稀疏、异质、小数据量或缺失率高场景训练表格型基础模型的经验
- 优先：具备开发分子上下文学习系统，或将通用上下文模型适配到分子或科学数据的经验
- 优先：具备训练大型模型的经验，包括参数量超过 10 亿的系统、分布式训练、分片、数据并行与模型并行，以及大规模数据管道
- 优先：具备为物理或生物问题开发 AI 科学家协作系统的经验
- 优先：具备处理生物、生化或临床数据的机器学习实践经验
- 优先：具备将研究模型转化为生产级科学软件或计算工作流的经验
福利待遇
- 0.05% 至 0.1% 的股权配额
- 薪酬按比例调整
- 获得组织内部认可
- 获得有意义的晋升机会