异构应用研究员/工程师（郑州）(J10524)

优缺点分析

角色解读

• 技术专家路线：深耕异构计算与AI性能优化领域，成为该领域的技术权威，负责解决更复杂的底层性能问题
• 架构师路线：从单点优化扩展到整个计算平台或软件栈的架构设计，主导技术方案选型与规划
• 管理路线：在技术能力基础上，逐步承担项目管理、团队带领等职责，向技术管理岗位发展
• 负责将特定算法或应用在异构计算平台（如CPU+GPU）上进行移植和部署，确保其正确运行
• 深入分析计算程序的性能瓶颈，利用并行计算技术（如CUDA、OpenCL）和算法技巧进行深度优化，提升运行效率
• 参与人工智能框架（如TensorFlow）的底层适配、移植和性能调优工作，服务于AI模型的训练和推理加速
• 精通C/C++/Python等编程语言，具备扎实的数据结构与算法功底，能够独立完成复杂逻辑的实现与调试
• 掌握并行计算原理，拥有CUDA、HIP或OpenCL等GPU编程的实际项目经验，理解内存层次与性能优化方法
• 熟悉至少一种主流深度学习框架（如TensorFlow、PyTorch）的内部实现或具备使用其进行开发和优化的经验
• 具备良好的英文文献阅读能力，能够跟进并复现学术界在高性能计算、AI加速领域的最新研究成果

申请策略

• 研究中科曙光在服务器、高性能计算、AI计算平台方面的主要产品和解决方案，了解其技术路线
• 在简历和面试中，强调自己对技术细节的追求和解决复杂工程问题的能力，这与岗位高度相关
• 突出使用C/C++、Python进行的算法设计与实现项目，尤其是涉及性能优化的部分
• 详细描述参与过的并行计算（CUDA/OpenCL）、异构计算或高性能计算相关项目经历，说明优化的具体方法和效果
• 列举对深度学习框架（如TensorFlow）源码进行阅读、贡献或性能优化的经验
• 如有相关学术论文阅读和复现经历，或在算法竞赛、开源项目中的成果，应重点展示
• 系统学习GPU编程模型（CUDA/OpenCL）和并行算法设计，完成一些经典问题的GPU加速实践
• 选择一种深度学习框架（如TensorFlow），深入阅读其性能优化部分的源码或参与社区贡献

面试指南

• 对于优化类问题，采用“问题描述-分析定位-方案设计-实施验证-效果总结”的结构化回答，强调数据和逻辑
• 对于框架原理类问题，从计算图执行、内存管理、算子实现、通信优化等层次进行剖析，展示理解深度
• 对于开放设计类问题，展现系统性思维，包括需求分析、技术选型、风险评估和迭代优化等环节
• 请介绍一个你做过的算法或程序性能优化的项目，遇到了什么瓶颈？你是如何分析并解决它的？
• 描述一下你对GPU并行计算的理解，以及如何将一个串行算法改写为高效的GPU并行程序？
• 你熟悉哪些深度学习框架？以TensorFlow为例，你觉得影响其训练速度的关键因素有哪些？可以从哪些层面进行优化？
• 如果给你一个不熟悉的算法模块，需要在异构平台上进行移植和优化，你的思路和步骤是什么？
• 你最近阅读过哪些关于高性能计算或AI加速的英文论文？请简要介绍其中一篇的核心思想