长鑫存储
高性能计算与AI建模工程师(J20072)
高性能计算与AI建模工程师(J20072)
发布于 大约 14 小时前普通员工/个人贡献者
上海市 / 合肥市
高级经验
全职员工
仅现场办公
硕士
研究与开发 (研发)
Cuda
Gpu加速
深度学习
稀疏矩阵
高性能计算
Blas
Cpu优化
Lapack
Superlu
AI 估算 · 25k–40k
高性能计算稀缺人才，硕士5年经验，市场薪资范围宽，半导体行业薪资中等偏上，上海合肥平均约32k/月。
职位详情
关于这个职位
该职位负责高性能计算与AI加速数值计算，专注于优化向量运算、稠密/稀疏矩阵求解器，并探索AI模型加速数值计算
你将对接业务场景，完成算法工程化与CPU/GPU异构适配，是技术前沿且挑战性强的研发岗位
最低要求
计算机科学与技术、计算数学等相关专业，硕士及以上学历，5 年以上高性能计算领域开发经验
熟悉 C/C++/Python/Matlab中的一种或几种，具备扎实的算法与数据结构基础，有良好的代码规范与工程化能力
深入理解 BLAS/LAPACK 数学库原理，熟练掌握稠密矩阵 LU 分解等核心分解算法
精通稀疏矩阵求解技术，熟练使用 SuperLU 等直接求解器，深入理解 CG 迭代法原理，具备 AMG 代数多重网格预条件的开发、调优经验
掌握 CPU 与 GPU 平台的高性能计算加速方法（至少掌握一种，两种都掌握则为加分项）：
CPU 侧：熟练掌握 SIMD 指令集优化、OpenMP 多线程、MPI 分布式并行等技术，有 CPU 端内存优化、缓存亲和性调优经验
GPU 侧：熟练掌握 CUDA编程、cuBLAS/cuSPARSE/cuSOLVER 等加速库，有 GPU 端核函数优化、显存优化、算子融合落地经验
了解 AI 加速数值计算的主流技术方案，有基于深度学习模型加速矩阵求解、数值算子优化的实践经验
熟悉 PyTorch/TensorFlow 等框架者优先
工作职责
负责向量运算、稠密矩阵与稀疏矩阵求解器的性能优化与工程落地，覆盖从底层算子到完整求解链路的全流程调优
基于 BLAS/LAPACK 基础数学库，开展稠密矩阵 LU 分解、求逆等核心算法的性能优化与定制化改造
负责稀疏矩阵求解技术研发与跨平台调优，深度优化 SuperLU 等直接求解器，落地 CG+ AMG 的迭代法求解方案，支撑大规模线性方程组高效求解
探索并落地 AI 模型加速数值计算的技术路径，包括但不限于基于神经网络的求解器加速、算子融合优化、预条件智能生成等方案，实现传统数值算法在 CPU/GPU 异构环境下的效率突破
对接业务场景的大规模计算需求，完成求解算法的工程化封装、并行化改造与 CPU/GPU 异构适配，保障双平台下算法的稳定性与计算效率
跟踪高性能计算与 AI 加速数值计算领域的前沿技术，开展技术预研与方案验证
优先资格
熟悉 PyTorch/TensorFlow 等框架者优先
AI 洞察
优缺点分析
优点
- 技术前沿：结合高性能计算与AI加速，稀缺性强
- 技能积累：深入底层优化、异构计算，职业竞争力高
- 行业前景：半导体存储行业稳定增长，公司平台大
- 技术深度要求高，需要同时掌握CPU和GPU优化
- 领域相对小众，人才招聘竞争激烈
缺点 / 挑战
- 工作强度可能较大，涉及跨平台调优和项目交付压力
- 适合对数值计算和底层优化充满热情、追求技术深度、能承受高强度研发挑战的工程师
角色解读
- 成为高性能计算领域的资深专家，主导核心求解器研发
- 横向拓展AI与数值计算交叉方向，探索智能求解方案
- 晋升为技术负责人，带领团队攻克大规模计算难题
- 优化向量和矩阵运算的性能，覆盖从底层算子到完整求解链路
- 基于BLAS/LAPACK库改造稠密矩阵分解算法，提升效率
- 开发稀疏矩阵求解器，使用SuperLU和CG+AMG方法
- 探索AI模型加速数值计算，如神经网络求解器、算子融合
- 扎实的C/C++/Python编程能力及算法基础
- 深入理解BLAS/LAPACK、稀疏矩阵求解技术
- 掌握CPU优化（SIMD、OpenMP、MPI）或GPU优化（CUDA、cuBLAS等）
- 了解AI加速数值计算，有深度学习框架（PyTorch/TensorFlow）经验更佳
申请策略
- 准备一个完整的性能优化案例，从问题分析到方案落地
- 了解长鑫存储的业务方向，突出你对半导体行业数值计算的理解
- 突出高性能计算项目经验，列出具体优化效果（如加速比）
- 强调稀疏矩阵、BLAS/LAPACK、CUDA等核心技术掌握程度
- 展示AI加速数值计算的实践经历，即使只是预研项目
- 体现代码工程化能力，如模块化设计、性能基准测试
- 补齐GPU侧CUDA优化经验，学习cuSOLVER等库
- 深入学习AMG预条件器原理和实现
面试指南
- 技术原理+实践经验：先简要解释概念，然后结合项目说明具体做法
- 问题解决思路：描述遇到的具体问题、分析过程、采用的优化策略和效果
- 对比方案：给出多种可能方案，分析优劣并说明你的选择理由
- 请解释LU分解的数值稳定性问题及改进方法
- 如何优化稀疏矩阵向量乘（SpMV）在GPU上的性能？
- 描述你使用CG+AMG求解器的经验，遇到过哪些收敛问题？
- AI加速数值计算有哪些主流方法？你尝试过哪些？
- 你如何评估代码性能瓶颈？请举例说明
职位点评
68
综合评分
前沿技术栈、高成长空间，但工作强度和地点需考虑。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
更适合这类人
最适合追求技术深度和前沿发展的求职者，如果更看重工作生活平衡可能需要权衡。
表现最好
成长发展
相对薄弱
工作生活
薪资福利65
成长发展85
工作生活50
使命价值70
薪资福利
65中等
薪资未明确披露，但高性能计算稀缺人才通常薪资较高，福利未提及，补偿性动机满足程度中等。
薪资信号未披露（AI估算：25K-40K/月）
成长发展
85较高
职位涉及前沿的高性能计算与AI加速技术，技能成长空间大，但JD未明确培训或晋升通道，发展性动机满足程度较高。
技术前沿前沿/新兴技术
技术栈CUDA、BLAS、LAPACK、SuperLU、稀疏矩阵、CPU优化、GPU加速、PyTorch、TensorFlow
业务类型ambiguous
工作生活
50较低
仅现场办公，未提及弹性或WLB，地点在上海和合肥科技园，生活化动机满足程度一般。
工作模式仅现场办公
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
70中等
半导体行业高速增长，技术应用有较高价值，但社会影响力一般，意义感动机满足程度中等偏上。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
长鑫存储 的其他在招职位
机电安装费控工程师-Mechanical & Electrical Facility Installation Cost Control Engineer(J19538)
长鑫存储 · 合肥市AI 估算 · 15k-25k制程整合工程师-PIE Engineer(J10957)
长鑫存储 · 北京市AI 估算 · 15k-30k设计可靠性专家-Design for Reliability Expert(J20144)
长鑫存储 · 合肥市AI 估算 · 25k-45k制程自动化设定工程师-Basic Record Script Setting Engineer(J19228)
长鑫存储 · 北京市AI 估算 · 15k-25k产品经理-Product Design-Marketing(J19900)
长鑫存储 · 合肥市AI 估算 · 15k-25k
相似职位推荐
Watch Jobs