الوظائف

تطوير أدواتنا الداخلية لأتمتة تصميم الشرائح الكمومية فائقة التوصيل وتحسينها باستخدام ⁨Python/C⁩++، بما يشمل توليد التخطيطات واستدعاء مكتبات العناصر المعلَّمة بالمعلمات والتوصيل الآلي وفحص قواعد التصميم (⁨DRC⁩). يتطلب الدور تحويل القيود الفيزيائية لتصميم الشرائح الكمومية، مثل الفواصل بين ترددات الكيوبتات وشدة الاقتران وأبعاد الرنانات، إلى خوارزميات وشيفرات قابلة للتنفيذ.

استخدام أدوات ⁨EDA⁩ المطوَّرة داخليًا لتصميم تخطيطات الشرائح الكمومية فائقة التوصيل وتحسينها، بما يشمل وضع الكيوبتات والقارنات والرنانات وبُنى القراءة وتوصيلها. هدفنا نقل تخطيط الشرائح ذات الألف كيوبت من الرسم اليدوي إلى التوليد الآلي.

تحسين الخوارزميات الحالية لتلبية الاحتياجات الخاصة لتخطيط الشرائح الكمومية، مثل تجنّب تصادم الترددات وقيود مساحة التوصيل وتقليل التداخل بين الإشارات، لرفع نسبة نجاح التوصيل وسرعة توليد التخطيطات. توجد في القطاع أطر أتمتة تراعي القيود ويمكنها توليد تخطيط شريحة من ⁨156⁩ كيوبت في نحو ⁨48⁩ دقيقة؛ وهدفنا تحقيق سرعة أعلى ونطاق أكبر.

التعاون الوثيق مع مهندسي تصميم الشرائح ومهندسي أنظمة التحكم والقياس لفهم متطلبات التصميم الفيزيائي وتحويل تحديات فريق العتاد إلى متطلبات لوظائف أدوات ⁨EDA⁩. كل سطر من الشيفرة تكتبه سينعكس في نهاية المطاف على مردود تصنيع الشرائح وأداء النظام المتكامل.

قيادة الابتكار في خوارزميات التدريب المسبق والضبط الدقيق الخاضع للإشراف (⁨SFT⁩) والتعلّم المعزَّز (⁨RLHF/RLAIF⁩)، أو المشاركة فيه، للنماذج اللغوية الكبيرة (⁨LLM⁩) في الرياضيات والفيزياء.

بحث التكامل العميق بين النماذج التأسيسية وأنظمة البرهنة الشكلية للنظريات، مثل ⁨Lean⁩ و⁨Isabelle⁩ و⁨Coq⁩، لتحسين دقة النماذج ومتانتها في الاستدلال الرياضي المعقّد والاشتقاقات الفيزيائية.

استكشاف النمذجة المشتركة متعددة الوسائط للمعادلات والشيفرات والنصوص والرسوم البيانية وبيانات الشبكات العلمية والمحاكاة، بما يتيح تفاعلًا سلسًا بين اللغة الطبيعية وأدوات الحوسبة العلمية، مثل ⁨MATLAB⁩ ومكتبات ⁨Python⁩ العلمية وأدوات ⁨CAD/EDA⁩.

متابعة أحدث تطورات الذكاء الاصطناعي للعلوم والنماذج التأسيسية في الصين والعالم، ونشر الأبحاث في مؤتمرات رائدة مثل ⁨ICML⁩ و⁨NeurIPS⁩ و⁨ICLR⁩ و⁨KDD⁩، وتسريع تطبيق الخوارزميات المتقدمة في حالات الاستخدام العملية للأعمال.

ماجستير فأعلى في علوم الحاسوب أو الذكاء الاصطناعي أو الرياضيات التطبيقية أو الفيزياء النظرية أو الحوسبة الكمومية أو تخصص ذي صلة؛ وتُفضَّل الدكتوراه.

نتائج بحثية راسخة أو سجل نشر في مؤتمرات مرموقة في التدريب المسبق للنماذج التأسيسية أو التعلّم المعزَّز أو الاستدلال الشكلي أو الذكاء الاصطناعي للعلوم، مثل حل المعادلات التفاضلية الجزئية أو الديناميكا الجزيئية أو نمذجة الأنظمة الكمومية.

إتقان أطر التعلّم العميق مثل ⁨PyTorch⁩، مع أساس رياضي قوي وقدرة متميزة على تنفيذ الخوارزميات.

شغف بالمنطق الرياضي، وقدرة استثنائية على التفكير المستقل والبحث المتعمّق، وروح تعاون ضمن فرق متعددة التخصصات.

إنشاء أطر فعّالة للتدريب الموزَّع للنماذج التأسيسية في الرياضيات والفيزياء، وتحسين العمليات الحسابية، وضبط التوازي ثلاثي الأبعاد (توازي البيانات والموترات وخطوط المعالجة) والتدريب ذي الدقة المختلطة.

تحسين معماريات خدمات استدلال النماذج التأسيسية، مثل ⁨vLLM⁩ و⁨TensorRT-LLM⁩، وتصميم أنظمة عالية التزامن ومنخفضة زمن الاستجابة للاستدلال الرياضي والفيزيائي واستدعاء الأدوات بواسطة الوكلاء الأذكياء.

تصميم وتنفيذ خطوط معالجة لتنظيف المدونات الرياضية والفيزيائية واسعة النطاق وإزالة التكرار منها وتصفيتها وتوليد بيانات اصطناعية، بما يشمل الأوراق الأكاديمية والكتب الدراسية وبنوك المسائل الرياضية وشيفرات المحاكاة الفيزيائية والشيفرات المفتوحة المصدر للصياغة الشكلية للرياضيات.

التعاون مع الفريق لإدارة عناقيد ⁨GPU⁩ كبيرة وغير متجانسة، وضمان استقرار تدريب النماذج وتوافره العالي.

بكالوريوس فأعلى في علوم الحاسوب أو هندسة البرمجيات أو الهندسة الإلكترونية أو تخصص ذي صلة.

خبرة لا تقل عن ⁨3⁩ سنوات في البنية التحتية للنماذج التأسيسية أو الأنظمة الموزَّعة أو التطبيق الهندسي للتعلّم الآلي واسع النطاق؛ وتُفضَّل الخبرة في قيادة التدريب على عناقيد ⁨GPU⁩ وتحسينه.

• إتقان ⁨C⁩++/⁨Python⁩ وفهم عميق لمعمارية الأنظمة منخفضة المستوى.
• إتقان أطر التدريب الموزَّع الشائعة، بما يشمل ⁨PyTorch⁩ و⁨Megatron-LM⁩ و⁨DeepSpeed⁩ و⁨Deepspeed-Chat⁩.
• تُفضَّل معرفة برمجة ⁨CUDA⁩ أو تقنيات تكميم النماذج التأسيسية وتسريع الاستدلال.

معايير رفيعة جدًا لجودة الشيفرة، مع مهارات ممتازة في تصميم الأنظمة واستكشاف الأعطال وإصلاحها.