摘要：多伦多大学Edward Sargent团队、Jason Hattrick-Simpers团队与无机自动驾驶实验室Kangming Li博士联合招聘博士后研究员。项目聚焦于结合DFT（密度泛函理论）与机器学习技术，加速发现可用于析氧（OER）反应的高熵氧化物催化
多伦多大学Edward Sargent团队、Jason Hattrick-Simpers团队与无机自动驾驶实验室Kangming Li博士联合招聘博士后研究员。项目聚焦于结合DFT（密度泛函理论）与机器学习技术，加速发现可用于析氧（OER）反应的高熵氧化物催化剂。博士后将主导计算框架开发，整合DFT、机器学习力场及先进数据分析方法，筛选高活性且可合成的高熵氧化物催化剂。
项目背景：质子交换膜水电解制氢是清洁能源生产的关键技术，但高效OER催化剂的稀缺与高成本限制了其发展。高熵氧化物因其成分灵活且可由地球储量丰富的元素制备，成为极具潜力的催化剂体系。然而，准确预测新型高熵氧化物的催化活性与可合成性仍是重大挑战。
博士后将与实验团队紧密合作，构建基于DFT的描述符与机器学习模型，指导材料自动合成实验，打造计算-实验协同循环，加速新型催化剂的研发，并为大规模合成提供可行方案。
主要职责：高通量DFT模拟：开展大规模DFT及机器学习力场计算，评估高熵氧化物的热力学与催化性能。
机器学习模型开发：• 构建预测模型，评估材料可合成性。
• 运用概率建模方法捕捉合成路径的随机性。
• 整合电子显微镜数据，关联催化剂微观结构与OER活性。
数据管理与分析：参与构建高熵氧化物候选材料数据库，涵盖计算属性、实验条件及观测结果。
团队协作：与实验团队合作验证计算预测，优化合成工艺参数。
成果发表与交流：在高影响力期刊发表成果，参与国际会议，与工业界及政府研究机构合作。
• 已获得或即将获得材料科学、物理学、化学、化学工程或相关领域博士学位。
• 在DFT模拟和/或材料信息学方面有深厚专业知识。
• 熟悉机器学习算法及数据驱动的材料发现流程。
• 熟悉高性能计算环境及相关软件包。
• 具备扎实的编程能力及Git版本控制经验。
• 出色的沟通能力，能在跨学科团队中高效协作。
优先考虑：• 电催化或能源材料研究背景。
• 熟悉氧化物体系。
• 有先进数据分析、不确定性量化或贝叶斯优化经验。
• 了解电子显微镜表征技术。
聘任详情：全职岗位，首聘期一年，表现优异可续聘。
提供先进计算集群。可提供自动化合成机器人及高通量表征设备。
申请方式：请将以下材料（PDF格式）发送至kangming.li@utoronto.ca：
• Cover letter：阐述研究兴趣、相关经验、Github项目链接及职业目标。
• 个人简历（含发表文献列表）。
• 三位推荐人联系方式。
申请材料立即审核，希望应聘者可以尽快入职，不过入职时间也可灵活安排。
来源：爱吃香菜大蒜薯片不爱茄子
