Computational Material Scientist / DFT Expert in Coimbra

Estamos à procura de um especialista em ciência dos materiais computacional para ajudar a descobrir a próxima geração de materiais inovadores. Você trabalhará em uma pequena equipe interdisciplinar de especialistas em DFT/IA/materiais e desenvolverá e executará fluxos de trabalho de ponta a ponta para identificar, classificar e reduzir riscos de materiais candidatos. Você colaborará de perto com nossa equipe de síntese e caracterização para traduzir previsões em experimentos, melhorar modelos com feedback do mundo real e construir um motor de descoberta em ciclo fechado. Embora haja uma oportunidade de publicar resultados selecionados, nosso objetivo principal é entregar novos materiais de alto impacto que possam ser validados experimentalmente e, em última instância, escalados. Este papel combina profundidade científica com trabalho em equipe e responsabilidade na execução.

Você contribuirá para decisões estratégicas sobre metodologia, priorização e direção da plataforma. Você receberá um pacote de compensação competitivo com possível participação acionária.

Responsabilidades principais:

• Descoberta de materiais e liderança científica: projetar, implementar e melhorar continuamente fluxos de trabalho baseados em DFT para prever propriedades funcionais chave de materiais cristalinos. Desenvolver estratégias de triagem e critérios de decisão para selecionar candidatos de grandes espaços de busca e orientar a validação experimental. Possuir o plano computacional para programas de descoberta atribuídos: definir marcos, critérios de sucesso e entregáveis; impulsionar a execução.
• Automação e colaboração experimental: construir pipelines DFT robustos, automatizados e reproduzíveis. Melhorar a produtividade por meio da otimização de fluxos de trabalho de IA/ML. Manter documentação de alta qualidade, fluxos de trabalho versionados e conjuntos de dados rastreáveis. Trabalhar com colegas de síntese/caracterização para interpretar resultados, solucionar discrepâncias e incorporar aprendizados em fluxos de trabalho melhorados.
• Comunicação e impacto: comunicar resultados claramente tanto para colegas computacionais quanto experimentais (resumos escritos, apresentações internas). Quando apropriado, contribuir para publicações, resumos de conferências e materiais de parceria/submissão (sem comprometer a estratégia de PI).

Qualificações necessárias:

• Doutorado em Física, Química, Ciência dos Materiais ou área relacionada.
• Experiência prática profunda em DFT em materiais cristalinos (4+ anos), evidenciada por publicações fortes e/ou trabalhos abertos impactantes.
• Experiência demonstrada com automação e aceleração de DFT (fluxos de trabalho, otimização de convergência, tratamento de erros, triagem de alto rendimento).
• Experiência na aplicação de métodos de IA/ML para descoberta e busca de materiais.
• Fortes habilidades de programação em Python (ou similar) e familiaridade com práticas de software científico (controle de versão, testes, reprodutibilidade).
• Confortável trabalhando em um ambiente de startup dinâmico: priorização pragmática, responsabilidade, forte colaboração.

Experiência em DFT + métodos:

• Experiência com um ou mais dos seguintes: VASP, Quantum ESPRESSO, GPAW, ABINIT, WIEN2k, CASTEP (ou códigos comparáveis).
• Familiaridade com fonons, propriedades elásticas, cálculos de defeitos, magnetismo/acoplamento spin-órbita ou cálculos dielétricos/ferroelétricos (dependendo dos materiais alvo).
• Forte compreensão de termodinâmica / estabilidade de fase e bancos de dados de materiais (ex.: Materials Project, OQMD, padrões de uso do ICSD).

Qualificações preferenciais:

• Experiência prática em HPC (Slurm, agendamento de tarefas, perfilamento, otimização de custo computacional).
• Experiência com gerenciadores de fluxo de trabalho (ASE, AiiDA, atomate, FireWorks, custodian, Prefect, Airflow, Snakemake, Nextflow, etc.).
• Experiência em construir/manter bancos de dados estruturados de materiais (Postgres, MongoDB, padrões parquet/lakehouse).
• Experiência com representações de materiais (redes neurais gráficas, abordagens semelhantes ao CGCNN/MEGNet, descritores, modelos sensíveis à simetria).
• Conhecimento de quantificação de incerteza e tomada de decisão sob incerteza para planejamento experimental.
• Experiência trabalhando com equipes experimentais ou em um contexto de P&D industrial. Histórico de tradução de previsões em materiais validados e ciclos de aprendizado.