Senior Applied Research Scientist – AI Native Numerical Methods

🕒 il y a 2 mois

🏄 California, New York, +2 états de plus – Distant

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

💵 $192 000 - $356 500 / an

⏰ Temps Plein

🟠 Senior

🧠 Chercheur en IA

🦅 Parrain de Visa H1B

Cette entreprise a parrainé des visas H1B par le passé.

👻 Score fantôme 25%

Ce que ça veut dire : la probabilité que personne ne recrute vraiment pour cette offre.Comment le lire : 60 % ou plus, on pense que c'est une offre fantôme. Un score plus bas est moins inquiétant.Comment on la calcule : ancienneté, republications, postes ouverts vs taille de l'équipe, rapidité de clôture, et si le salaire est indiqué.À noter : une estimation à partir de données publiques, pas un jugement sur l'entreprise. De vraies offres peuvent avoir un score élevé, alors prenez-le comme un indice, pas comme un fait.

Postuler Maintenant

Trouver des Emplois à Distance Similaires

NVIDIA

Site WebLinkedInTous les Emplois

10 000+ employés

Fondée en 1993

🏥 Santé

🏭 Fabrication

🤖 Intelligence artificielle

Healthcare • Manufacturing • Artificial Intelligence

NVIDIA est une entreprise technologique de premier plan, spécialisée dans le calcul accéléré et l’intelligence artificielle (IA). NVIDIA est à l’avant‑garde des avancées en GPU (processeurs graphiques), cloud computing, centres de données et réalité virtuelle, avec un accent particulier sur les secteurs du gaming, de l’automobile, de la santé et de la robotique. Ses innovations, telles que NVIDIA Omniverse, transforment les processus numériques traditionnels en permettant des simulations haute fidélité et des tâches de rendu de pointe. Ses applications couvrent de nombreux secteurs, des véhicules autonomes avec NVIDIA DRIVE aux solutions de santé avec NVIDIA Clara, ainsi que des analyses et workflows pilotés par l’IA.

Description

• 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

🎯 Exigences

• 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

🏖️ Avantages

• Equity • Benefits

📊 Vérifiez votre score de CV pour ce poste

Améliorez vos chances d'obtenir un entretien en vérifiant votre score de CV avant de postuler.

Télécharger le CV