Senior Applied Research Scientist – AI Native Numerical Methods

🕒 vor 2 Monaten

🏄 California, New York, +2 weitere Bundesländer – Remote

🏄 California – Remote 🗽 New York – Remote 🍂 Massachusetts – Remote 🔔 Pennsylvania – Remote

💵 $192.000 - $356.500 / Jahr

⏰ Vollzeit

🟠 Senior

🧠 KI-Forscher

🦅 H1B-Visum-Sponsor

Dieses Unternehmen hat in der Vergangenheit H1B-Visa gesponsert.

👻 Geisterscore 25%

Was es bedeutet: die Wahrscheinlichkeit, dass für diese Stelle niemand wirklich einstellt.So liest du es: 60 % oder höher heißt, wir halten das für einen Geisterjob. Niedrigere Werte sind weniger bedenklich.Wie wir werten: Dauer offen, Neuveröffentlichungen, offene Stellen vs Teamgröße, wie schnell Stellen geschlossen werden, und ob ein Gehalt angegeben ist.Hinweis: eine Schätzung aus öffentlichen Daten, kein Urteil über das Unternehmen. Echte Stellen können hoch punkten, nutze es also als Hinweis, nicht als Fakt.

Jetzt Bewerben

Ähnliche Remote-Jobs finden

NVIDIA

WebsiteLinkedInAlle Stellen

10.000+ Mitarbeiter

Gegründet 1993

🏥 Gesundheitswesen

🏭 Fertigung

🤖 Künstliche Intelligenz

Healthcare • Manufacturing • Artificial Intelligence

NVIDIA ist ein führendes Technologieunternehmen mit Spezialisierung auf beschleunigtes Computing und Künstliche Intelligenz (AI). NVIDIA treibt Fortschritte bei Grafikprozessoren (GPUs), Cloud Computing, Rechenzentren und Virtual Reality voran und fokussiert dabei Branchen wie Gaming, Automotive, Gesundheitswesen und Robotik. Innovationen des Unternehmens wie NVIDIA Omniverse transformieren traditionelle digitale Prozesse, indem sie hochrealistische Simulationen und Rendering-Aufgaben ermöglichen. Die Anwendungen erstrecken sich über zahlreiche Branchen – von autonomen Fahrzeugen mit NVIDIA DRIVE über Gesundheitslösungen mit NVIDIA Clara bis hin zu AI-gestützten Analysen und Workflows.

Beschreibung

• Research AI-assisted numerical methods that improve convergence, stability, accuracy, robustness, and wall-clock performance for large-scale scientific, engineering, and industrial simulations • Invent learned coarse spaces, learned preconditioners, AI-guided multigrid methods, sequence-aware solver strategies, solver-control policies, differentiable solver components, and hybrid numerical / ML algorithms • Build solver-in-the-loop pipelines using residual histories, discretized operators, meshes, geometry, simulation outputs, performance counters, and physics constraints • Define evaluation methods measuring convergence rate, failure rate, conservation, memory footprint, correctness, and end-to-end speedup • Collaborate across numerical methods, CUDA-X, Warp, PhysicsNeMo, NVIDIA Research, CAE, EDA, semiconductor, electronics, thermal-fluid, electromagnetics, and digital twin workflows • Help define NVIDIA's applied research agenda for AI-native numerical methods and solver intelligence

🎯 Anforderungen

• PhD or equivalent experience in computer science, machine learning, scientific computing, applied mathematics, computational engineering, physics, or a related field • 5 years of relevant work/research experience • Background in machine learning and scientific computing, with evidence of connecting ML methods to numerical algorithms • Experience with PyTorch, JAX, or comparable deep learning frameworks, plus Python and GPU computing • Working knowledge of PDEs, sparse linear algebra, iterative solvers, preconditioning, finite element / finite volume methods, optimization, or differentiable programming • Research record in scientific machine learning, numerical linear algebra, or differentiable simulation integrated with numerical solvers • Communication skills that support collaboration across AI research, numerical methods, product, and production software teams • Evidence that ML methods improved real numerical solvers through faster convergence, fewer failures, improved robustness, or lower cost on industrial-scale simulations • Experience with AI-guided multigrid, reduced-order components inside solver algorithms, neural operators connected to solver workflows, or automated solver control • Experience with differentiable simulation, PDE-constrained learning, inverse design, uncertainty quantification, Bayesian methods, reinforcement learning for solver control, or automated algorithm selection • Publications, software contributions, or collaborations in scientific computing, matrix computations, industrial simulation, CAE, EDA, semiconductor simulation, electronic build, thermal-fluid simulation, electromagnetics, or digital twins

🏖️ Vorteile

• Equity • Benefits

📊 Überprüfen Sie Ihre Lebenslauf-Bewertung für diese Stelle

Verbessern Sie Ihre Chancen auf ein Vorstellungsgespräch, indem Sie Ihre Lebenslauf-Bewertung vor der Bewerbung überprüfen.

Lebenslauf hochladen