【提前批-基础研究】图形学算法研究员（深度学习布料仿真方向） - AI引擎

优缺点分析

角色解读

• 从算法研究员成长为技术专家，主导核心物理仿真模块的研发
• 有机会发表顶级会议论文，提升学术影响力，并参与行业前沿技术探索
• 向技术管理方向转型，带领团队攻克复杂图形学问题
• 开发基于深度学习的布料仿真算法，提升游戏中的物理真实感
• 研究并优化神经网络模型（MLP、GNN等）在布料/物理仿真中的应用
• 将算法高效地集成至游戏引擎和实时渲染管线中，确保稳定性和性能
• 与团队协作解决工程落地中的技术难题，推动技术创新
• 扎实的计算机图形学和深度学习理论基础，熟悉仿真相关算法
• 精通PyTorch或TensorFlow，具备良好的编程和调试能力
• 掌握至少一种神经网络架构（MLP、CNN、GNN、Transformer等）的应用
• 良好的沟通和团队协作能力，能适应研究型项目环境

申请策略

• 提前联系米哈游的招聘人员或内推，了解团队具体技术栈
• 准备一个简短的自我介绍视频或技术分享，展示沟通能力和技术热情
• 突出图形学、深度学习相关的项目经验或论文，尤其是仿真或物理模拟方向
• 强调PyTorch/TensorFlow使用深度，列出具体模型和优化细节
• 如有CUDA或GPU编程经验，务必详细描述
• 展示参与过的开源项目或竞赛成绩，证明编码能力和工程素养
• 如缺乏GPU编程经验，可短期学习CUDA基础，熟悉并行计算概念
• 阅读近期SIGGRAPH、NeurIPS等顶会中关于物理仿真的论文，了解最新方法

面试指南

• 对于项目介绍类问题，使用STAR法则（情境-任务-行动-结果），突出个人贡献和技术细节
• 对于技术原理问题，先给出定义，然后举例说明应用场景，最后讨论优缺点
• 对于性能优化问题，从算法层面（简化模型、量化）和工程层面（CUDA并行、内存优化）两方面回答
• 请介绍你做过的一个与深度学习仿真相关的项目，技术难点如何解决？
• 解释一下GNN在布料仿真中的优势和挑战
• 如何将一个训练好的神经网络模型集成到实时渲染管线中？需要考虑哪些性能问题？
• 你如何看待深度学习方法与传统物理仿真方法的结合？
• 用PyTorch实现一个简单的MLP，并解释如何优化训练速度