TCL结构工程师-博士（热仿真/非金属材料）

本岗位有多个领域，符合任一方向即可 方向一：单板硬件开发专家 负责平台硬件系统解决方案设计与交付，包含关键方案设计、芯片规格设计、架构创新、算法设计、信号处理与分析、电路优化到系统集成联调，确保设计的芯片及解决方案满足全场景应用要求。 方向二：单板硬件开发研究员 1、承担硬件系统板开发和调试工作，能够完成单板原理图PCB设计、生产加工以及回板调试测试工作; 2、负责系统解决方案的需求分析，方案设计，测试方案和测试用例设计以及测试执行工作; 3、通过系统级的软件、逻辑方案，确保设计的FPGA/CPU等芯片的接口方案满足场应用要求; 4、系统级联调问题定位，协助分析复杂的软、硬件系统问题，并完成相应的方案验证。 方向三：数字芯片开发 1、负责芯片架构研究和方案设计、处理器内核需求分析和设计、SDR架构设计、芯片原型验证和系统仿真、架构优化; 2、负责SOC系统关键模块开发，系统低功耗设计及优化，包括工艺、电路、时钟供电、架构、系统各个抽象层级的低功耗技术; 3、负责数模混合前沿技术预研，推动关键技术的项目落地; 4、负责项目关键算法系统建模、仿真、原型验证和分析，并主导关键算法的电路实现。

1. 负责MEMS晶振，RF开关等新器件设计； 2. 全面评估IMU产品的各项设计参数，分析现有IMU产品的MEMS设计IP，并给出优化方案； 3. 分析代工厂的工艺能力，参与供应商量产前的工艺风险评估，协助代工厂改进工艺参数； 4. 建立MEMS传感器与手机系统的联合仿真模型，评估传感器在复杂工况下的可靠性。 【课题名称】 MEMS半导体设计 【课题内容】 1. MEMS传感器定制化设计与多物理场仿真，优化MEMS传感器设计参数（结构，材料）和版图布局，通过仿真工具分析应力，热稳定性，振动特性等，包括IMU，晶振，RF开关，气压计等器件； 2. 研究MEMS新工艺和前沿技术探索。

1、负责电池系统架构设计，参与电池管理系统（BMS）的功能需求分析和技术方案制定，协同设计BMS硬件电路和软件开发，实现电池状态监测、充放电控制、均衡管理、故障诊断与保护等关键功能； 2、对电池系统进行性能模拟与优化，运用专业的仿真软件（如CAD、Comsol，Matlab等）对电池组的电性能、热性能、机械性能等进行模拟分析； 3、负责电池测试方案的制定与实施，根据电池开发的不同阶段（材料研发、电芯试制、系统集成等），设计合理的测试项目和测试方法，负责电池开发项目的计划制定、进度跟踪和质量管理； 4、参与研究新型电池材料的性能特点和应用前景，开展材料的选型、配方优化和制备工艺研究；参与电池制造工艺的开发与改进，提高生产效率和产品质量一致性，降低生产成本，解决生产过程中出现的技术问题； 5、为公司内部其他部门提供专业的技术支持，跟踪电池领域的前沿技术发展动态和行业标准规范，定期收集、整理和分析相关技术资料和市场信息；参与公司内部的技术交流和培训活动，分享电池开发领域的新技术、新方法和新经验，提升团队整体技术水平。

团队介绍：推荐架构团队支撑字节跳动旗下多款APP产品，如抖音、今日头条、番茄小说、西瓜视频、剪映等推荐系统架构的设计和开发，保障系统的稳定和高可用，致力于抽象系统通用组件和服务，建设推荐中台、数据中台；关于在线服务，在这里你有机会参与大规模机器学习在线预估框架的研发与优化，也有机会参与模型训练与调度等相关问题的研究与突破，解决系统瓶颈，降低成本开销；如你对大数据感兴趣，在这里也有机会参与通用实时计算系统的开发、构建统一的推荐特征中台，为推荐业务实现先进的消重、计数、特征服务等；我们期待热爱技术的你加入，一起创造更多可能。 课题介绍： 1、课题背景 在人工智能技术高速发展的背景下，推荐系统作为信息过滤与个性化服务的核心，面临多重挑战： （1）数据爆炸与模型复杂化 用户行为序列数据量呈指数级增长（百亿至千亿级/日），存储需求从单用户长序列扩展至多模态数据（文本、视频、Embedding等），传统存储架构面临读写性能瓶颈与成本压力；推荐大模型对数据质量敏感度提升，数据分布异常可能导致模型效果显著下降，亟需系统性数据质量评估与改进方法。 （2）异构计算与多模态处理需求 随着生成式AI（GenAI）的普及，多模态特征处理成为刚需，传统基于CPU的大数据框架（如Spark/Hadoop）难以高效处理非结构化数据，GPU/DPU等异构计算资源利用率不足；数据处理流程与模型训练脱节，ETL环节耗时长，CPU-GPU协同效率低下，导致算法迭代周期延长。 在此背景下，以数据为中心的人工智能（DCAI）与异构计算技术成为破局关键： -DCAI 强调通过数据质量优化与自动化处理链路提升模型性能，而非单纯依赖模型改进； -异构计算 通过统一调度CPU、GPU、DPU等资源，加速多模态数据处理与模型训练，实现降本增效。 2、课题目标 （1）构建支持多模态数据的低成本高性能存储引擎：支持百亿级用户行为序列与多模态数据混合存储，实现读写延时与存储量解耦，满足PB级数据天级回溯需求； （2）设计自适应数据演化的Schema管理机制：动态兼容特征增删改，确保训推一致性，降低模型迭代中的数据迁移成本； （3）研发多模态数据异构计算框架：实现CPU-GPU-DPU协同计算，加速ETL、特征处理与模型训练，提升资源利用率30%以上； （4）建立数据质量与模型性能的量化评估体系：开发自动化工具链，通过强化学习优化数据清洗、增强与异常检测流程； （5）打造以Python为核心的开发者生态：提供灵活API与可视化工具，支持快速接入多模态数据处理与DCAI优化链路。 3、研究内容 （1）多模态存储引擎与编码优化 - 混合存储架构 - 分层设计：行为序列采用时间分区+LSM-Tree存储，多模态数据（如图像/文本）采用对象存储+元数据索引，结合CXL内存池化技术降低访问延迟； - 编码优化：针对用户行为序列设计变长Delta编码，多模态数据采用深度学习压缩模型（如VAE），压缩比提升50%以上。 -Schema动态演化 - 开发基于Protobuf的版本化Schema语言，支持特征字段热更新，兼容历史数据回溯训练。 （2）异构计算框架与资源调度 - 计算引擎整合 - 基于Ray构建统一数据湖，实现Spark/GPU算子混合编排，数据从ETL到训练Tensor化零拷贝传输； - 设计DPU加速层，将哈希计算、特征编码等操作卸载至智能网卡，释放CPU/GPU算力。 - 多模态处理优化 - 文本/视频数据采用GPU流水线预处理，利用NVIDIA RAPIDS加速特征提取； - Embedding数据通过量化感知训练（QAT） 减少显存占用，支持FP16/INT8混合精度计算。 （3）数据质量与DCAI自动化链路 - 质量评估体系 - 定义多维度指标：时空一致性（行为时序异常检测）、模态对齐度（图文匹配校验）、噪声容忍阈值（基于模型鲁棒性反推）。 - 自动化优化工具 - 开发强化学习代理，根据模型反馈自动选择数据清洗策略（如GAN-based数据增强 vs. 规则过滤）； - 构建因果推理模块，定位数据分布偏移对模型AUC下降的贡献度，生成根因分析报告。 （4）开发者生态与效能提升 - Python原生接口 - 提供声明式数据处理DSL，支持通过Python装饰器定义GPU加速算子（如@gpu_map）； - 集成Jupyter可视化工具，实时展示数据质量热力图与模型性能关联分析。 - 效能监控体系 - 建立资源-质量-效果三维监控看板，跟踪存储成本、数据处理吞吐量、模型AUC等核心指标。