·Fluency in English.

·Studies in Electrical, Mechanical or Software Engineering.

·Experience with distributed deep learning systems.

·Strong experience with coding, any major deep learning framework, and software engineering best practices

·An "under the hood" knowledge of deep learning modern architectures, optimization, etc.

·Apply numerical optimization and visualization of multi-objective tradeoffs

·Strong mathematics/physics background.

The following will be considered as plus:

High-Performance Computing & Low-Level Engineering:

Data & Machine Learning for Engineering:

Python ecosystem: NumPy, Pandas, Matplotlib, JAX, PyTorch
Building data pipelines, surrogate models, or physics-informed ML tools
Background in Bayesian statistics for evaluating uncertainty, tuning, and optimization

Simulation & Multi-Physics Modeling:

Familiarity with FEA/CFD tools or multi-physics simulation workflows
Understanding of numerical algorithms and methods
Understanding of electromagnetic, thermal, or structural modeling concepts and coupling

·Άριστη γνώση της αγγλικής γλώσσας.

·Σπουδές ηλεκτρολόγου, μηχανολόγου μηχανικού ή μηχανικού υπολογιστών.

·Εμπειρία με κατανεμημένα συστήματα και σε βαθιά μάθηση (distributed deep learning).

Ισχυρή εμπειρία στον προγραμματισμό, σε οποιοδήποτε framework βαθιάς μάθησης και στις βέλτιστες πρακτικές λογισμικού (software engineering best practices).
Γνώση των σύγχρονων αρχιτεκτονικών βαθιάς μάθησης και της βελτιστοποίησης.
Εφαρμογή αριθμητικής βελτιστοποίησης και οπτικοποίηση πολυκριτηριακών tradeoffs.
Ισχυρό υπόβαθρο μαθηματικών και φυσικής.

Επιθυμητά προσόντα:

Υπολογιστές Υψηλής Απόδοσης (HPC)

Επιστημονικές βάσεις κώδικα σε C++/Fortran.
Κατανεμημένη επεξεργασία με MPI / OpenMPI.
Προγραμματισμός GPU με CUDA.
Εμπειρία στη βελτιστοποίηση αριθμητικών πυρήνων (numerical kernels) και αγωγών προσομοίωσης (simulation pipelines).

Δεδομένα & Μηχανική Μάθηση για τη Μηχανική

Οικοσύστημα Python: NumPy, Pandas, Matplotlib, JAX, PyTorch.
Δημιουργία αγωγών δεδομένων (data pipelines), μοντέλων υποκατάστασης (surrogate models) ή εργαλείων ML με γνώμονα τη φυσική (physics-informed ML tools).
Υπόβαθρο στη Μπεϋζιανή στατιστική για την αξιολόγηση της αβεβαιότητας, τον συντονισμό (tuning) και τη βελτιστοποίηση.

Προσομοίωση & Μοντελοποίηση Πολλαπλών Υποβάθρων

Εξοικείωση με εργαλεία FEA/CFD ή ροές εργασιών προσομοίωσης πολλαπλών φυσικών.
Κατανόηση αριθμητικών αλγορίθμων και μεθόδων.
Κατανόηση των εννοιών και της σύζευξης της ηλεκτρομαγνητικής, θερμικής ή δομικής μοντελοποίησης.

Build your Career at Tesla