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。

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。

1. 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。

2. 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。

3. 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。

4. 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。

5. 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。

1. 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。

2. 在DFT模拟和/或材料信息学方面有深厚专业知识。

3. 熟悉机器学习算法及数据驱动的材料发现流程。

4. 熟悉高性能计算环境及相关软件包。

5. 具备扎实的编程能力及Git版本控制经验。

6. 出色的沟通能力，能在跨学科团队中高效协作。

1. 电催化或能源材料研究背景。

2. 熟悉氧化物体系。

3. 有先进数据分析、不确定性量化或贝叶斯优化经验。

4. 了解电子显微镜表征技术。

请将以下材料（PDF格式）发送至kangming.li@utoronto.ca：

1. Cover letter：阐述研究兴趣、相关经验、Github项目链接及职业目标。

2. 个人简历（含发表文献列表）。

3. 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。