软件工程师（GPU RAS研究）

岗位职责： 聚焦GPU-RAS（可靠性、可用性、可服务性）技术研究，覆盖硬件层、软件层全栈研发，主导GPU RAS特性的规划、架构设计与技术突破，解决智算中心、异构计算场景下GPU故障检测、隔离、恢复及可维护性核心问题，推动RAS技术在GPU产品中的落地与优化，支撑大规模GPU集群的稳定运行。 任职要求： 学历及专业 1.本科及以上学历，计算机科学与技术、微电子、电子工程、物理、材料科学等相关专业； 2.具备半导体物理、计算机体系结构、芯片可靠性相关理论基础，了解GPU基本架构或CUDA/ROCm软件栈者优先； 核心专业技能 1.了解RAS核心技术体系，理解可靠性（R）、可用性（A）、可服务性（S）的基本定义及实现思路，熟悉RAS与DFX的关联关系，了解相关行业标准者优先； 2.有GPU相关研发、研究经验者优先，熟悉GPU基本硬件架构（如计算核心、PCIe接口等），了解CPU/GPU协同机制； 3.掌握至少一种编程语言（C/C++优先），熟悉Linux开发环境及Shell/Python脚本编写，能熟练使用git代码管理工具，具备Linux内核驱动开发、系统调试经验者优先； 4.了解芯片可靠性试验方法与标准，熟悉JEDEC等行业可靠性标准，掌握失效分析相关工具（如OM/SAT/X-ray、crash、gdb等），具备故障注入、失效机理分析能力者优先； 5.熟悉GPU RAS关键技术，包括但不限于错误检测与纠正（ECC）、故障隔离、热插拔、带外管理（BMC）、BIOS/OS协同错误处理等，有相关技术研究或实现经验者优先； 研究与创新能力 1.具备较强的独立研究能力，能够聚焦GPU RAS领域的核心痛点（如算力提升带来的故障率上升、故障导致的算力浪费等），开展前瞻性技术研究与方案设计； 2.具备良好的技术敏感度，跟踪GPU RAS领域前沿技术（如AMD CDNA系列、NVIDIA GPU的RAS特性）及行业动态，能够结合实际场景提出创新技术方案； 3.具备扎实的数据分析与建模能力，能够运用统计工具（如JMP）开展可靠性数据处理、故障预测建模，优化RAS特性性能； 4.具备学术研究或技术攻关经验，有相关领域论文、专利（第一作者/发明人优先），或主导过GPU RAS相关技术研发项目者优先； 加分项 1.有丰富的HPC/AI超算、云计算领域RAS相关工作经验，具备大规模GPU集群RAS设计或优化经验者； 2.熟悉GPU可靠性仿真工具（如gem5、GPGPU-Sim），具备RAS特性仿真、验证经验者； 3.有半导体行业芯片可靠性工作经验，精通磨损失效机制（TDDB、BTI等）及加速测试方法者； 4.在国际顶会、核心期刊发表过GPU RAS、芯片可靠性相关论文，或拥有相关核心专利者。