加入我们

基于Python/C++编写和迭代公司自研的超导量子芯片设计自动化工具，覆盖版图生成、参数化器件库调用、自动化布线、DRC检查等核心功能。你需要将量子芯片设计的物理约束（如比特频率间隔、耦合强度、谐振腔尺寸）转化为可执行的算法与代码。

使用自研EDA工具完成超导量子芯片的版图设计与迭代，包括量子比特、耦合器、谐振腔、读出结构等核心器件的布局与布线。我们的目标是让千比特级芯片的版图从“手工绘制”走向“自动化生成”。

针对量子芯片版图设计的特殊需求（如频率碰撞规避、布线空间约束、信号串扰最小化），改进和优化现有算法，提升自动化工具的布线成功率与生成速度。业界已有约束感知的自动化框架可将156比特芯片的版图生成压缩到约48分钟，我们的目标是做到更快、更大规模。

与芯片设计工程师、测控系统工程师紧密配合，理解物理设计需求，将硬件团队的痛点转化为EDA工具的功能需求。你写的每一行代码，最终都会体现在芯片的良率和整机的性能上。

主导或参与数学、物理领域大语言模型（LLM）的预训练、指令微调（SFT）与强化学习（RLHF/RLAIF）算法创新。

研究大模型与形式化定理证明系统（如 Lean, Isabelle, Coq）的深度结合，提升模型在复杂数学推理和物理推导中的准确性与鲁棒性。

探索公式、代码、文本、图表及科学网格/仿真数据的多模态联合建模，实现自然语言与科学计算工具（如 MATLAB, Python 科学计算库、CAD/EDA 工具）的无缝交互。

跟踪国内外 AI for Science 与大模型前沿进展，发表顶会论文（ICML, NeurIPS, ICLR, KDD 等），并将前沿算法快速落地到业务场景。

计算机、人工智能、应用数学、理论物理、量子计算等相关专业硕士及以上学历（博士优先）。

在大模型预训练、强化学习、形式化推理、AI for Science（如 PDE 求解、分子动力学、量子系统建模等）方向有扎实的研究成果或顶级会议论文发表记录。

精通 PyTorch 等深度学习框架，具备强悍的数学功底与算法实现能力。

对数理逻辑充满热情，具备极强的独立思考、钻研能力和跨学科团队协作精神。

负责数理大模型的高效分布式训练框架搭建、算子优化、3D 并行（Data/Tensor/Pipeline Parallelism）及混合精度训练调优。

优化大模型推理服务架构（如 vLLM, TensorRT-LLM），设计高并发、低延迟的数理推理与智能 Agent 工具调用系统。

设计并实现大规模数理语料（学术论文、教科书、数学题库、物理仿真代码、开源数学形式化代码）的清洗、去重、过滤及合成数据（Data Synthesis）流水线。

协同团队管理大规模异构 GPU 集群，保障模型训练的稳定性和高可用性。

计算机、软件工程、电子工程等相关专业本科及以上学历。

3年及以上大模型基础设施、分布式系统或大规模机器学习工程落地经验，有主导 GPU 集群训练与调优经验者优先。

• 精通 C++/Python，深入理解底层系统架构。
• 精通 PyTorch、Megatron-LM、DeepSpeed、Deepspeed-Chat 等主流分布式训练框架。
• 熟悉 CUDA 编程或大模型量化、推理加速技术者优先。

对代码质量有极高标准，具备出色的系统设计与故障排查能力。