ML Engineer

From 10 years to 1 year for materials discovery

Discovering Next-Generation Materials IP through AI Foundation Models and Automated Laboratories.

AI와 로보틱스로 소재 R&D의 패러다임을 혁신합니다.

지금까지의 소재 개발은 오랜 시간과 높은 비용이 드는 trial-and-error 과정이었습니다. 조성과 구조를 탐색하고, 시뮬레이션으로 검증하고, 실험으로 확인하고, 파일럿 단계로 넘어가는 과정에서 실패가 반복될 때마다 다시 처음으로 돌아가야 했습니다.

NanoForge AI는 이 과정을 새롭게 정의합니다. 우리는 소재를 하나씩 우연히 찾아내는 방식이 아니라, AI가 넓은 소재 공간을 동시에 탐색하고, 설계하고, 검증해 나가는 새로운 소재 개발 시스템을 만들고 있습니다.

그 중심에는 AI와 자동합성 시스템이 있습니다.

NanoForge AI는 소재 설계, 합성법 최적화, 자동 합성·측정·검증을 하나의 workflow로 연결합니다. AI가 후보 소재를 제안하는 데서 멈추는 것이 아니라, 실제로 합성하고 측정하며, 그 결과를 다시 모델과 데이터로 축적합니다.

소재 개발의 가장 큰 병목은 데이터, 특히 고품질 실험 데이터의 부족입니다. NanoForge AI의 automated laboratory는 data factory로서 반복 가능하고 표준화된 실험 데이터를 지속적으로 생산하며, 이를 통해 AI 모델과 소재 발굴 역량을 함께 고도화합니다.

우리는 이를 바탕으로 강력한 소재 포트폴리오를 구축하고, 산업 최전선에서 필요한 양산 가능한 신소재를 계속해서 찾아내고 개발하는 글로벌 AI-native 소재 파운데이션 기업이 되고자 합니다.

NanoForge AI의 Materials Discovery 팀은 AI model, scientific workflow system, automated laboratory를 실제 소재 문제에 적용해 후보 소재를 탐색하고 검증합니다. 이 팀은 산업 파트너 협력과 자사 소재 IP 개발에서 발생하는 복잡한 소재 문제를 실행 가능한 discovery workflow로 바꿉니다.

당신의 미션은 실제 소재 문제를 AI/ML 기반의 후보 탐색, 예측, 최적화, ranking, evaluation workflow로 바꾸는 것입니다.

ML Engineer는 실제 소재 discovery project에서 필요한 screening, prediction, optimization, ranking, evaluation pipeline을 구현합니다. 이 role은 NanoForge AI의 core AI model과 소재 데이터를 실제 소재 문제에서 작동하는 applied ML workflow로 바꾸는 장인정신이 돋보이는 자리입니다.

AI Research Scientist가 여러 소재 문제에 반복적으로 활용될 수 있는 model capability를 만든다면, ML Engineer는 그 model capability를 특정 소재 문제의 target, data, constraint, evaluation metric에 맞게 적용합니다. Materials Scientist가 소재 문제, 후보 가설, 검증 기준을 정의하면, ML Engineer는 이를 실행 가능한 ML pipeline과 reproducible workflow로 구현합니다.

이 role은 순수 ML researcher도, 일반 software engineer도 아닙니다. 소재 데이터의 불완전성, 물리적 타당성, 계산·실험 검증 가능성을 함께 고려하면서 AI model이 실제 후보 탐색과 의사결정에 쓰일 수 있도록 만드는 applied materials ML owner입니다.

• 실제 소재 discovery project를 위한 candidate screening, property prediction, optimization, ranking pipeline을 구현합니다.
• Materials Scientist와 함께 소재 문제를 ML task, data requirement, target, constraint, evaluation metric으로 구조화합니다.
• NanoForge AI의 materials AI model, public/private materials dataset, computational workflow를 조합해 project-specific applied ML workflow를 만듭니다.
• 모델의 ranking quality, generalization, uncertainty, physical plausibility, validation readiness를 평가하고 technical analysis로 정리합니다.
• AI for Materials, Materials Discovery, Lab Automation, Materials Data Strategy와 협업하여 일회성 분석이 아니라 반복 사용 가능한 applied discovery workflow와 internal asset으로 발전시킵니다.

• Python 기반으로 ML/data pipeline을 직접 구현하고 실험해본 경험이 있으신 분
• 소재 discovery 문제를 prediction, screening, optimization, ranking, evaluation task로 구조화할 수 있으신 분
• noisy하고 incomplete한 scientific/materials data를 다루며 preprocessing, representation, validation split, reproducible workflow를 설계할 수 있으신 분
• baseline, ablation, uncertainty, representation choice 등 ML research 요소를 이해하고 실제 pipeline 개선에 반영할 수 있으신 분
• 새로운 소재 도메인의 논문, 데이터, 계산/실험 결과를 빠르게 이해하고 project-specific applied ML workflow에 반영할 수 있으신 분
• 한국어로 기본적인 소통이 가능하신 분

• AI4Science, scientific ML, chemistry AI, materials AI, materials informatics 경험
• Graph neural networks, geometric deep learning, diffusion models, transformers, foundation model 계열 경험
• Materials data ecosystem: pymatgen, ASE, Materials Project API, NOMAD, OQMD 등
• Computational workflow 이해: DFT, MD, MLIP, DFPT, NEB, AIMD, property prediction, materials screening 등
• Active learning, Bayesian optimization, high-throughput screening, design of experiments, closed-loop optimization 경험

• Python, PyTorch, scikit-learn, pandas, scientific computing
• Materials data processing, featurization, crystal/graph representation, project-specific structure-property dataset construction
• Property prediction, candidate screening, ranking model, optimization workflow
• Active learning, Bayesian optimization, uncertainty estimation, physical plausibility evaluation
• pymatgen, ASE, Materials Project, NOMAD, OQMD, DFT/MD/MLIP workflow

• 실제 소재 discovery problem에서 출발해 빠르게 ML task와 실행 가능한 pipeline으로 구조화합니다.
• 좋은 모델은 benchmark score만으로 판단하지 않습니다. 후보 소재를 더 잘 찾고, 물리적으로 말이 되며, 계산·실험 검증으로 이어지는지를 함께 봅니다.
• 좋은 분석은 일회성 notebook에 머물지 않습니다. 반복 사용 가능한 workflow, dataset, evaluation logic, internal asset으로 발전시킵니다.
• 이 role은 실제 문제를 풀면서 빠르게 배우고 성장해야 하는 자리입니다. 소재 도메인 지식이 부족하더라도 빠르게 학습하고, Materials Scientist와 함께 domain logic을 ML workflow에 반영할 수 있어야 합니다.
• AI for Materials 팀의 core model capability를 이해하고, Materials Discovery 팀의 실제 문제 해결 과정에서 그 capability가 가장 잘 쓰이도록 연결합니다.

1. Application Review / 서류 검토
   지원자의 경험, 문제 해결 방식, role fit을 검토합니다.
2. Initial Screen / 초기 인터뷰
   지원자의 핵심 경험, 관심사, 커뮤니케이션 방식, NanoForge AI와의 기본 fit을 확인합니다.
3. Technical Deep-dive / 기술 심층 인터뷰
   실제 문제를 어떻게 정의하고 해결하는지, 복잡한 문제를 어떻게 구조화하는지, 빠르게 학습하고 실행하는 역량이 있는지 확인합니다.
4. Founder Round / 최종 인터뷰
   회사의 방향성, 역할 기대치, 성장 가능성, 장기적 fit을 논의합니다.
5. Offer & Onboarding / 처우 협의 및 합류
   처우를 협의하고, 합류 일정과 초기 역할 범위를 정리합니다.