Áttekintés A Fizikai és Számítástechnikai Igazgatóság (PCSD) kutatói jelentős kutatás-fejlesztési erőfeszítéseket vezetnek a kísérleti és elméleti határfelületi kémia, kémiai elemzés, nagy energiájú fizika, határfelületi katalízis, többfunkciós anyagok és integrált nagy teljesítményű kutatások területén. és adatintenzív számítástechnika. A PCSD a PNNL elsődleges irányítója az Energiaügyi Minisztérium Tudományos Hivatalának Energetikai Hivatala, a Haladó Tudományos Számítástechnikai Kutatások és A Nukleáris Fizikai Hivatalok által támogatott kutatásokban. Ezenkívül az igazgatóság munkatársai kutatást és fejlesztést végeznek a magánipar és más kormányzati szervek, például a Védelmi Minisztérium és a NASA számára. Az Igazgatóság kutatói olyan interdiszciplináris csapatok tagjai, amelyek országos jelentőségű kihívásokkal foglalkoznak, és az Energiaügyi Minisztérium minden misszióját átfogják. Felelősségek Módszereket, folyamatokat és rendszereket tervez, fejleszt és valósít meg különféle adatok elemzésére. Alkalmazza a statisztika, a gépi tanulás, a fejlett matematika, a szimuláció, a szoftverfejlesztés és az adatmodellezés ismereteit az adatok integrálására és tisztítására, minták felismerésére, a bizonytalanságok kezelésére, kérdések feltevésére és felfedezésekre strukturált és/vagy strukturálatlan adatokból. Feltáró adatelemzés által vezérelt megoldásokat hoz létre összetett és nagy dimenziójú adatkészletekből. Prediktív modelleket és fejlett algoritmusokat tervez, fejleszt és értékel, amelyek az adatokból optimális értékkinyeréshez vezetnek. Képes a készségek alkalmazási tartományok közötti átvitelére. Képesítések Minimális képesítések : BS/BA vagy magasabb Előnyben részesített képesítések: Jártasság a számítástechnikai kémiában és a cheminformatikában, különösen a modellezésben és a szimulációs adatok integrációjában, különös tekintettel a kis molekulákra és fehérjeszerkezeti adatokra szabott gráf vagy konvolúciós neurális hálózatok fejlesztésére. Különféle gépi tanulási algoritmusok és csomagok alapos ismerete, beleértve, de nem kizárólagosan a regressziós és osztályozási algoritmusokat, a felügyelt/nem felügyelt tanulási technikákat, a Random Forestet, az SVM-et és a különféle neurális hálózatokat. Elengedhetetlen a mély tanulási keretrendszerekkel, például a sci-kit Learn, a MATLAB, a theano, a Torch és a TensorFlow szerzett tapasztalat. Szilárd tapasztalat Unix/Linux környezetben, valamint nagy teljesítményű számítástechnikai (HPC) és felhőalapú számítástechnikai beállításokban. A magas szintű programozási nyelvekben, például a Pythonban, az R-ben és a Matlabban való jártasság kulcsfontosságú. Nagyra értékeljük az autonóm tudomány, az AI/ML, az adattudomány és a természetes nyelvi feldolgozás területén szerzett háttértudást vagy tapasztalatot, valamint a kémia, az anyagtudomány, a cheminformatika és a számítástechnikai kémia/biológia alapjait. Front-end technológiákban (HTML, CSS, JavaScript) és keretrendszerekben (React, Angular, Vue.js) szerzett tapasztalat. A szerveroldali nyelvek (Node.js, Python, Ruby on Rails) háttérfejlesztési ismeretei is szükségesek. A szoftverfejlesztési koncepciók erős megértése, beleértve a tervezési mintákat,