Senior Quantum Applied Research Scientist, Calibration and Decoding

Bei NVIDIA lösen wir die aufregendsten Probleme der Welt mit unserem einzigartigen Ansatz für beschleunigtes Rechnen. Wir suchen einen leidenschaftlichen Wissenschaftler an der Schnittstelle von Quanten-Gerätephysik, Quantenkalibrierung und maschinellem Lernen. Diese Rolle wird den Weg für die Zukunft intelligenter, Echtzeit-Modelle für fehlertolerante Quantenhardware ebnen.

Als Sr. Quantum Applied Research Scientist werden Sie helfen, Echtzeit-Modelle zu entwerfen und zu erstellen, die aus Gerätephysik, Kalibrierungsexperimenten, Dekodierung und Systemleistung lernen. Sie werden physikinformierte Datensynthese-Pipelines, nachtrainierbare Modellarchitekturen und praktische Benchmarks entwickeln, auf denen die Quanten-Community aufbauen kann. Ihre Forschung wird Quantenphysik und den Quantensteuerungsstapel in leistungsfähige KI-Systeme für fehlertolerantes Quantencomputing übersetzen. Die Arbeit wird die Generierung synthetischer Trainingsdaten, Surrogatmodellierung und co-optimierte Kalibrierungs-Dekodierungs-Pipelines umfassen. Sie werden mit Teams aus Produkt, Engineering und angewandter Forschung zusammenarbeiten, um die Grenzen der beschleunigten Quanten-Supercomputer voranzutreiben!

Was Sie tun werden:

• Forschung und Entwicklung offener KI-Modelle zur Kalibrierung von Quantensystemen, um den Stand der Technik voranzutreiben und der Quanten-Community zu ermöglichen, auf gemeinsamen Grundlagen aufzubauen.
• Entwicklung physikinformierter synthetischer Datengenerierungspipelines, die Quanten-Gerätemodelle, Rauschkanäle und Hamiltonian-Karakterisierung nutzen, um qualitativ hochwertige Trainingsdaten für die Entwicklung von Kalibrierungs- und Dekodierungsmodellen zu erzeugen.
• Entwicklung von Surrogatmodellen für Quantenhardware, die Gerätephysik und Driftverhalten erfassen, um eine schnelle Leistungsprognose und Parameterinferenz ohne vollständigen experimentellen Aufwand zu ermöglichen.
• Architektur leistungsfähiger Echtzeit-KI-Systeme, die sowohl den Kalibrierungszustand als auch die Dekodierungsanforderungen berücksichtigen, und gemeinsame Gestaltung von Modelllatenz, Durchsatz und Aktualisierungsfrequenz, um den Anforderungen fehlertoleranter Rückkopplungsschleifen gerecht zu werden.
• Anwendung von Reinforcement Learning und Online-Lernmethoden zur Optimierung von Kalibrierungspolitiken, um Modelle zu ermöglichen, die kontinuierlich aus Hardware-Feedback lernen und über Gerätefamilien und -modalitäten hinweg generalisieren.
• Entwicklung von GPU-beschleunigten Implementierungen, um sicherzustellen, dass die gesamte Pipeline skalierbar ist.
• Kommunikation von Forschungsergebnissen und Zusammenarbeit mit akademischen und industriellen Partnern zur Förderung des Fachgebiets, während schnelles Innovation, technische Tiefe und kreatives Problemlösen gefördert werden.

Was wir sehen müssen:

• Master-Abschluss in Physik, Informatik, Elektrotechnik, angewandter Mathematik oder einem verwandten Bereich (Ph.D. stark bevorzugt); oder gleichwertige Erfahrung.
• Über 8 Jahre kombinierte Erfahrung und hohe Auswirkungen in der Forschung zu Quantensystemen und KI/ML.
• Praktische Expertise in maschinellem Lernen und tiefem Lernen für Wissenschaft oder Physik, einschließlich Modellarchitekturdesign, Training im großen Maßstab, Feinabstimmung und Bewertung.
• Starker Hintergrund in Quanten-Gerätephysik und Informationswissenschaft, einschließlich Rauschmodelle, Fehlermechanismen und fehlertolerante Quantensysteme über eine oder mehrere Qubit-Modalitäten.
• Umfassendes Verständnis der Quantensteuerung, wie z.B. pulsbasierte Hardware-Schnittstellen und klassische Rückkopplung durch Softwareabstraktionen.
• Exzellente Kommunikations- und Kollaborationsfähigkeiten.

Wege, sich von der Masse abzuheben:

• Praktische Erfahrung in der Entwicklung gelernter Kalibrierungs- oder Dekodierungsmodelle und deren Einsatz innerhalb von Echtzeit-Quantensteuerungs-Rückkopplungsschleifen, mit direkter Wahrnehmung von Latenz- und Durchsatzbeschränkungen.
• Tiefe Expertise im Reinforcement Learning – einschließlich Politikoptimierung, Belohnungsformung und Sim-to-Real-Transfer – angewendet auf physikalische Systeme oder geschlossene Regelungsprobleme.
• Erfahrung mit physikinformierten oder generativen Ansätzen zur synthetischen Datengenerierung, einschließlich Rauschsimulation, Hamiltonian-Lernen oder Datenaugmentation für wissenschaftliche KI-Modelle.
• Erfahrung mit großflächigem Modelltraining und Feinabstimmung – einschließlich parameter-effizienter Methoden (LoRA, QLoRA, Adapter) und Domänenanpassung.
• Kenntnisse in CUDA und NVIDIA GPU-Programmierung zur Beschleunigung von Quanten-Simulationen, KI-Modelltraining oder Echtzeitanwendungsworkloads im großen Maßstab.

NVIDIA gilt weithin als einer der begehrtesten Arbeitgeber der Technologiebranche und bietet wettbewerbsfähige Gehälter sowie ein umfassendes Leistungspaket. Wenn Sie Ihre Zukunft planen, sehen Sie, was wir Ihnen und Ihrer Familie anbieten können.