英伟达
Senior DFT Methodology - Data Analytics Engineer
Senior DFT Methodology - Data Analytics Engineer
发布于 6 个月前普通员工/个人贡献者
上海市
高级经验
全职员工
仅现场办公
硕士
硬件工程
故障建模
数据可视化
机器学习
硅生命周期管理
统计工具
ATPG
DFT
EDA
AI 估算 · 35k–60k
高级DFT方法学工程师，涉及数据分析与AI应用，资深芯片岗，极高薪。
职位详情
关于这个职位
这是一个面向资深工程师的DFT（可测试性设计）方法学与数据分析岗位
您将负责利用数据可视化、统计分析和应用AI方法，解决芯片设计测试中的复杂问题，提升芯片出厂质量
同时，您需要开发并部署新的DFT方法学，并指导初级工程师
最低要求
BSEE（或同等经验）且7年以上经验，或MSEE且5年以上经验，或PhD且3年以上经验，领域涉及低功耗DFT、数据可视化、应用机器学习或数据库管理
理解DFT基础主题，如故障建模、ATPG和故障仿真
具备使用统计工具进行数据分析和洞察的出色知识
对RTL和时钟设计、STA、布局布线和功耗等多功能领域有良好了解
具备在ATE或SLT平台上进行硅片调试和启动的经验
具备Perl、Python、C++或Tcl的编程和脚本技能
出色的书面和口头沟通能力，并有好奇心应对罕见挑战
工作职责
作为团队的高级成员，您将从事硅前和硅后数据分析——包括可视化、洞察和建模
您将与多功能团队合作，实施全新的方法学以提升芯片出厂质量，包括高级故障建模和硅生命周期管理
您将解决DFT领域的难题，涉及算法设计应用、使用统计工具分析和解释复杂数据集，以及应用AI方法的探索
此外，您将帮助开发和部署下一代产品的DFT方法学，同时探索基于LLM的解决方案
您还将指导初级工程师进行测试设计以及成本与质量之间的权衡
优先资格
具备高级故障模型和硅数据损坏（Silicon Data Corruption）经验者优先
具备应用AI解决EDA相关问题经验者优先
AI 洞察
优缺点分析
优点
- 顶尖技术平台：在英伟达工作，能接触到全球最前沿的半导体技术和最复杂的芯片项目，技术积累价值高
- 技能复合性强：岗位结合了硬件（DFT）、软件（编程、数据分析）和前沿技术（AI/ML），有利于打造稀缺的跨领域技能栈
- 解决核心难题：工作聚焦于提升芯片质量的“硬核”问题，成果直接影响产品竞争力，工作成就感强
- 明确的资深角色：作为高级成员，既有技术深度探索的空间，也承担指导他人的职责，有利于综合能力提升
- 技术门槛极高：需要同时精通DFT、数据分析、编程乃至AI应用，对候选人的知识广度和深度要求非常苛刻
- 行业竞争激烈：半导体行业，尤其是头部公司的高级技术岗位，吸引全球顶尖人才，入职和晋升竞争激烈
- 该职位适合拥有深厚半导体DFT背景，同时对数据科学、编程和AI有强烈兴趣和实践经验，乐于解决极端复杂技术问题并指导他人的资深工程师
缺点 / 挑战
- 问题复杂度大：需要解决的是“罕见挑战”和“难以解决的问题”，工作压力和技术挑战并存
角色解读
- 技术专家路径：可以深耕DFT方法学、AI在EDA的应用等前沿领域，成为公司乃至行业内的顶尖技术专家
- 技术管理路径：凭借指导初级工程师的经验和跨团队协作能力，未来可向技术团队主管或项目经理方向发展
- 行业影响力：在英伟达这样的领先企业解决尖端问题，积累的经验和成果有助于在半导体测试领域建立个人声誉和影响力
- 负责芯片设计测试（DFT）全流程的数据分析工作，包括硅前和硅后数据的可视化、建模与洞察，以提升芯片质量
- 开发并部署创新的DFT方法学，例如应用高级故障模型和探索基于大语言模型（LLM）的解决方案，解决行业内的复杂技术难题
- 作为团队资深成员，需要指导初级工程师，在测试设计、成本与质量权衡等方面提供专业指导
- 扎实的DFT专业知识：必须深入理解故障建模、ATPG、故障仿真等核心概念，并具备低功耗DFT经验
- 强大的数据分析与编程能力：需要熟练使用Python、C++等语言进行脚本开发和数据分析，并精通统计工具
- 跨领域技术视野：需要对RTL设计、时钟、STA、布局布线、功耗等芯片设计相关领域有良好了解，并能与多功能团队协作
申请策略
- 深入研究英伟达的DFT挑战：通过行业论坛、技术论文了解英伟达或类似公司在DFT领域面临的前沿问题，在申请材料中展现你的见解
- 准备展示“解决难题”的思维：在面试中，不仅要展示技术技能，更要通过过往经历证明你面对模糊、复杂问题时的分析框架和解决能力
- 突出具体的DFT项目经验：详细描述你参与过的芯片项目，在故障建模、ATPG、硅后验证等环节的具体贡献和量化成果
- 展示数据分析与编程能力：用项目案例证明你如何使用Python/Perl/C++等工具处理DFT相关数据，进行可视化、建模或自动化
- 强调跨领域协作经验：列举你与RTL设计、STA、后端等团队合作解决复杂问题的实例，体现你的系统视野和沟通能力
- 如有，重点呈现AI/ML在EDA或DFT中的应用经验：这是明确的加分项，能极大提升简历竞争力
- 强化AI/ML与EDA结合的知识：可以学习机器学习在芯片设计、测试或良率提升方面的最新研究和应用案例
- 深化数据科学技能：针对大规模半导体数据集，进一步学习高级统计分析方法、数据可视化工具以及相关的数据管道构建
面试指南
- STAR原则：针对行为或技术问题，按照情境（Situation）、任务（Task）、行动（Action）、结果（Result）的结构清晰回答，重点突出个人在“行动”中的具体技术决策和贡献
- 技术深度与广度结合：回答时既要展示对某个技术点（如特定故障模型）的深入理解，也要体现对相关领域（如时钟设计、功耗）影响的系统性思考
- 体现方法论和创新思维：不仅说明“做了什么”，更要解释“为什么这么做”，以及是否有考虑过或尝试过更优的替代方案，展现解决问题的方法论
- 请详细描述一个你解决过的最复杂的DFT问题，包括你使用的分析方法、工具和最终达成的效果
- 你如何将机器学习或数据分析技术应用于传统的DFT流程中？请举例说明
- 当硅后测试数据与硅前仿真结果出现重大偏差时，你的调试思路和步骤是什么？
- 你如何与RTL设计团队或后端物理设计团队协作，共同优化芯片的可测试性？
- 请分享一次你指导初级工程师或进行知识传递的经验
职位点评
Watch Jobs