字节跳动
校招AI驱动的新一代计算化学方法与应用研究 - AI for Science
北京/深圳/上海 · 校招 · 2027 届 · 博士
长期有效
任职要求
- 2027届毕业，获得博士学位；计算机科学、机器学习、物理、化学、数学等相关专业优先
- 有扎实数学基础及良好编程能力
- 具有独立研究和创新的才能，能够在跨学科的环境中成长
- 持续关注人工智能前沿发展，熟练使用各类AI工具。
岗位描述
团队介绍：AI for Science 团队专注于科学计算与物质发现领域的前瞻技术探索，围绕生物和材料领域基础模型、量子化学、AI分子动力学、高通量实验技术等方向，用 AI 推动科学领域的研究范式突破，也在实际应用场景中创造价值。我们希望用 AI 赋能科学，探索 AI 在科研领域的变革，拓展人类认知边界！
课题介绍：
在人工智能快速发展的背景下，计算化学作为“AI for Science”的重要方向之一，近年来取得了显著进展。数据驱动方法在分子性质预测、材料筛选等任务中展现出良好潜力，但在强关联分子与复杂材料体系等关键问题上，仍面临基础性挑战：高精度方法算不大，高效率方法算不准。这一瓶颈导致计算结果与实验观测之间仍存在明显差距，限制了其在实际应用中的广泛落地。 本课题拟在此背景下，探索人工智能与计算化学方法的深度融合，发展兼具精度与效率的新一代计算化学方法，提升复杂体系的模拟能力与预测可靠性，推动计算结果向实验可验证与实际可用的方向迈进，为材料设计、催化与分子工程等领域提供关键方法支撑。
课题挑战：
- 1、黑盒模型在物理、化学问题中的泛化性；
- 2、物理先验与AI模型的有效结合；
- 3、适应科学场景的新模型、新优化方法的研发；
- 4、小样本学习在复杂化学问题中的有效性。
课题价值：
- 1、为复杂分子体系与材料体系提供可扩展的计算化学工具，降低高精度计算的门槛；
- 2、加速新材料、新催化剂及功能分子的设计与筛选过程；
- 3、为大规模化学空间探索提供可行路径，支持高通量计算与自动化研究。
你的简历匹配这个岗位吗？
上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方
该岗位可能会问的问题
基于 算法 岗位的常见面试问题整理
请解释 Transformer 模型的自注意力机制（Self-Attention）
查看答题思路
1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖
你做过的最有深度的算法/模型项目是什么
查看答题思路
1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）
过拟合是什么？怎么判断和解决
查看答题思路
1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度
解释梯度下降的原理，SGD 和 Adam 的区别
查看答题思路
1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam
给你 10 万条未标注的文本数据，如何找出其中 10 个主题
查看答题思路
1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整
更多面试题库功能即将上线
信息来源：企业官方招聘页。投递前请以官网信息为准。