logo of cxmt

长鑫存储智能研发(J17356)

校招全职研发技术类地点:合肥状态:招聘

任职要求


学历要求:硕士及以上,博士优先
专业要求:微电子、物理、计算化学、计算机、电子信息工程、数学统计、智能制造、工业工程等理工科专业
其他要求:
1.通过CET-6,具备良好英文听说读写能力
2.有CC++Python等编程基础;
3.具备较强学习、沟通能力及团队合作精神,能吃苦耐劳;
4.优先条件:
有第一性原理计算(VASP、QuantumATK)、TCAD(Sentaurus、Silvaco)、多物理场(ANSYS、COMSOL)仿真经验
在图像、NLP、多模态学习等AI类顶会发表论文或在数学建模、编程竞赛中获优异名次

工作职责


1.负责 DRAM 产品研发全生命周期的 AI 应用研发,包括生产&机台大数据 AI 分析及AI Agent 系统搭建,提升研发质量与效率
2.开展 AI 辅助半导体工艺研发,基于 AI 技术优化工艺仿真模型;构建材料验证仿真模型,评估材料性质与电性的关联
3.研发半导体行业专用大模型,建设研发数智化知识底座,支撑多源异构数据的 AI 应用落地
4.承担半导体核心工艺仿真工作,涵盖多物理场 (力学,热场,流体,电磁场,等离子体等)仿真 / 第一性原理计算的原子模拟(界面反应,高分子材料设计等)/ DFT的化学反应(Bulk, surface, interface, molecule)模拟 / 材料基本特性模拟(缺陷,能带,介电常数等)和前驱体材料设计 / 工艺与电性TCAD仿真
5.为研发产能管理与生产率提升,结合机器学习/深度学习等数据分析与优化技术,优化产能管理模型,提升设备与产线生产率
包括英文材料
学历+
C+
C+++
Python+
NLP+
相关职位

logo of cxmt
校招研发技术类

1.引入先进的AI技术和算法,与团队探索工艺研发,工艺优化中数字化,智能化的场景,将工艺研发与AI技术深度融合,创新工艺配方的研发及优化流程,与业务团队紧密合作,显著提升研发效率并缩短研发周期 2.探索DRAM测试验证中数字化,智能化的场景,包括但不限于:修补,ECC,测试pattern优化,根因分析等方向,与测试团队紧密合作,提升测试验证效率和准确度,缩短整体测试时间 3.与设计部门紧密合作,研究电路设计中数字化、智能化方案,包括但不限于电路仿真,数字验证,设计优化,版图生成,物理验证等方向,提升设计流程效率,加速产品设计进程,增强设计验证的全面性和可靠性 4.与模型团队协同,推进多模态大模型的开发和训练,加速大模型在长鑫的业务落地及应用

更新于 2025-09-19
logo of cxmt
校招研发技术类

1.负责新产品制程技术的研发和维护,包含光刻/光罩/蚀刻/清洗/化学机械研磨/键合/扩散/离子注入/薄膜等 2.与设计/器件/工艺整合和可靠性等相关部门通力合作,满足新产品制程的电性/可靠性/良率与成本要求 3.主导新型机台和新型材料的合作研发和评估开发,协同制定和实现未来的技术发展线路 4.负责研发效率提升以缩短新产品研发周期,包含工艺仿真开发/研发数据智能分析/项目资源管理等 5.负责与量产部门的无缝技术转移,以尽量缩短新产品上市周期

更新于 2025-09-19
logo of cxmt
校招研发技术类

1.负责研发工程分析系统的设计、数据处理、算法与功能开发,用数据科学的方法与工具,提高研发效率和缩短新产品研发周期 2.负责与设计/器件/工艺/整合/可靠性/缺陷与量测/IT等相关部门合作,进行工程数据分析系统的项目管理,完成需求梳理,产品设计与规划,推动系统开发与落地,产生业务价值 3.负责针对特定研发领域工程问题,进行数学建模,优化求解,统计建模,数据挖掘,数据分析,解决实际问题。然后进一步抽象出方法论,通过系统化,高效解决类似问题,加速研发 4.负责进行半导体图像数据处理,使用OpenCV等传统视觉工具,快速提取针对特定问题特征,实现高信噪比指标来表征工程问题,加速研发 5.负责探索和落地应用前沿的AI模型与算法,包括深度学习、机器学习方面,提升半导体制造领域的图像分类、检测与分割等方面的系统性能,提升工程分析效率与能力 6.负责探索和落地应用前沿的AI方法,提升时间序列数据的异常检测,异常诊断等系统性能,提升工程分析效率与能力

更新于 2025-09-19
logo of cxmt
校招研发技术类

1.主导技术研发与优化: 设计并实施统计推断、实验设计(DOE)、机器学习、深度学习及大语言模型(LLM)算法,包括预训练模型调优和指令微调等核心技术,以抽象和解决半导体业务中的核心数学问题(如良率提升、性能优化、可靠性增强) 开发自动化方案(使用Python、R等工具进行原型开发),实现数据分析、模型训练和预测的自动化,支持设计验证、制造和测试环节的高效决策 2.赋能业务与效率提升: 对接业务需求,构建定制化AI/ML解决方案(如大语言模型应用),挖掘多源异构数据,全面提升数据整合、基础设施和计算能力,以驱动研发效率、良率和质量改进 研发智能化工具和系统(例如数据分析平台或模型部署框架),协助各部门实现数据驱动的优化,缩短研发周期并降低成本 3.洞察前沿与技术转化: 密切关注AI和半导体领域的最新动态(如大模型进展),将前沿技术转化为实际应用,推动公司技术边界的持续拓展 确保技术方案与半导体设计研发、生产制造和封装测试流程紧密结合,实现端到端的效率提升

更新于 2025-09-19