Electrical / Mechanical / Software Engineer - Optimisation and Machine Learning

Job Description

Job Responsibilities

• Develop and extend Tesla’s in-house multi-physics optimization framework that will be used company wide.
• Build scalable software pipelines that integrate electromagnetic, thermal, mechanical, and manufacturing models.
• Run large-scale simulation and optimization studies on distributed/HPC systems to explore high-dimensional design spaces.
• Own and extend core components of our data-driven optimization, surrogate modeling, and ML algorithms. 
• Collaborate with physics, manufacturing, and SI teams to integrate new modeling capabilities and accelerate the full design cycles.
• Shape the roadmap of our in-house modeling and optimization tools with a high degree of autonomy and technical influence.

• Ανάπτυξη και επέκταση του εσωτερικού πλαισίου βελτιστοποίησης πολλαπλών φυσικών υποβάθρων της Tesla που χρησιμοποιείται σε όλη την εταιρεία. 
• Δημιουργία επεκτάσιμων λογισμικών (software pipelines) που ενσωματώνουν ηλεκτρομαγνητικά, θερμικά, μηχανικά και κατασκευαστικά μοντέλα. 
• Εκτέλεση μεγάλης κλίμακας μελετών προσομοίωσης και βελτιστοποίησης σε κατανεμημένα / HPC συστήματα για τη διερεύνηση χώρων σχεδίασης υψηλής διάστασης. 
• Ανάληψη ευθύνης και επέκταση βασικών στοιχείων των αλγορίθμων μας για βελτιστοποίηση βάσει δεδομένων, μοντελοποίηση υποκατάστασης (surrogate modeling) και Μηχανική Μάθηση (ML). 
• Συνεργασία με τις ομάδες φυσικής, κατασκευής και τεχνητής νοημοσύνης για την ενσωμάτωση νέων δυνατοτήτων μοντελοποίησης και την επιτάχυνση των πλήρων κύκλων σχεδιασμού. 
• Διαμόρφωση του οδικού χάρτη των εσωτερικών εργαλείων μοντελοποίησης και βελτιστοποίησης με υψηλό βαθμό αυτονομίας και τεχνικής επιρροής. 

Job Requirements

·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:

• C++/Fortran scientific codebases.
• Distributed computing with MPI / OpenMPI.
• GPU programming with CUDA.
• Experience optimizing numerical kernels and simulation pipelines.

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.