• EEG, ECoG, EMG, ECG, fNIRS 등 멀티모달 신경·생체신호 데이터 기반 Neural Foundation Model의 사전학습(pre-training) 아키텍처 설계 및 구현.
• Self-supervised learning 등 사전학습 기법을 신경신호 시계열 데이터에 적용·최적화하고, 신호 토크나이제이션 및 멀티모달 통합 전략 설계.
• 대규모 이종 데이터셋 통합·전처리 파이프라인 구축 및 분산학습(distributed training) 인프라 운영.
• 사전학습 모델을 뇌질환 이상패턴·바이오마커 검출 등 다운스트림 태스크로 파인튜닝 및 전이학습.
• 모델 경량화·양자화를 통한 실시간 추론 최적화 및 성능 모니터링.
• 연구 성과의 논문화·학회 발표 및 공동연구·연구과제 수행.

[자격요건]
• 석사 학위 이상
• 관련 분야 석사 후 경력 3년 이상
• Transformer 등 대규모 딥러닝 모델의 사전학습(pre-training) 또는 self-supervised learning을 직접 구현·적용한 경험 (도메인 무관, 대규모 모델 학습 경험이 핵심).
• Python·PyTorch 기반 대규모 모델 학습 파이프라인 구축 및 분산학습 인프라(DDP, DeepSpeed 등) 활용 경험.
• Git 등 버전관리 도구를 활용한 협업 경험.

[우대사항]
• EEG, ECoG, EMG, ECG, fNIRS 등 신경·생체신호(시계열 데이터) 처리 경험.
• 시계열 또는 멀티모달 데이터의 파운데이션 모델 구축·연구 경험.
• 모델 경량화, 엣지 디바이스 배포, MLOps 경험.
• 신경·생체신호 기반 AI 모델을 의료기기·웨어러블 제품에 적용한 경험.
• GPU·NAS 등 파운데이션 모델 학습 인프라를 직접 구축·운영해본 경험.
• 관련 분야 박사학위 소지.
• 영어 논문·기술문서 이해 및 영어 의사소통 가능.