研发数据科学图形图像算法工程师-TD Data Science Graphics and Image Algorithm Engineer(J15962)

优缺点分析

角色解读

• 纵向可沿技术专家路线深耕，成为半导体图像算法或计算光刻/DFM方向的资深工程师
• 横向可延伸到良率分析、工艺整合、EDA工具链等相邻领域
• 由于岗位紧贴先进制程研发，积累的缺陷机理与图像建模经验在集成电路行业内具有较强迁移性
• 把晶圆制造过程中的SEM/TEM图像与设计版图数据打通，做异常识别、自动对齐和缺陷热点分析，属于典型的图像算法与数据科学交叉工作
• 同时要设计AI增强的DRC规则引擎，把算法识别结果反馈给工艺与设计团队，形成从图像诊断到版图优化的闭环
• 还要开发GPU加速流水线，让TB级版图数据的处理在实际工程中跑得动、用得上
• 扎实的图像处理与计算机视觉基础，理解几何变换、拓扑分析、特征提取等图形学方法
• 熟练用Python做数据处理与机器学习建模，能把想法快速落成代码原型
• 具备较强的工程实现能力，尤其是GPU并行加速与大规摸数据处理
• 同时需要英文文献阅读能力，能跟进数据科学前沿并快速复现

申请策略

• 投递前了解长鑫存储在DRAM领域的制程进展与业务方向，面试中体现出对存储行业的长期兴趣
• 简历中尽量用数据和结果说话，算法岗面试官通常会更关注你解决问题的思路而不是工具清单
• 突出图像处理与计算机视觉项目，尤其是异常检测、图像配准与对齐、缺陷识别的落地案例，写明数据规模与效果指标
• 展示Python数据处理与机器学习建模能力，若有GPU/CUDA加速或大规摸数据处理的优化经验要单独列出
• 竞赛经历（NOI/IOI/ACM）和英文能力（CET-6及以上）按JD要求明确写出
• 任何与半导体、制造业、工业检测相关的经验都应前置
• 提前补充半导体制造基础知识，特别是光刻流程、DRC规则、版图与SEM/TEM成像原理，能在面试中说得清楚术语
• 强化工程能力，熟悉CuPy、PyTorch GPU加速或CUDA编程，练习处理大规摸图像数据的流水线设计

面试指南

• 回答技术方案类问题可采用「问题定义与数据特点 → 方法选型与理由 → 工程落地与取舍 → 量化结果与反思」的四段结构
• 回答项目类问题用STAR结构，重点讲清楚你个人的决策和贡献
• 遇到不熟悉的半导体领域问题，坦诚说明边界，同时展示你拆解问题、快速学习的方法
• 如何从SEM图像中检测并精确定位异常区域？请描述你的整体方案与难点
• 版图与SEM/TEM图像做自动对齐时，你会怎么处理尺度差异、旋转和形变？
• 你如何把一个图像算法从原型做到能处理TB级数据？在GPU加速上做过哪些优化？
• 请分享一个你用机器学习或统计方法解决实际工程问题的案例，效果如何衡量？
• 如果你发现某类缺陷热点，如何与工艺或设计团队协作定位根因并推动改进？