长鑫存储研发智能数据科学(J17355)
任职要求
学历要求：硕士及以上，博士优先 专业要求：计算机、数学、软件工程、物理等理工科专业 其他要求： 1.通过CET-6或同等外语水平，具备良好的英文听说读写能力 2.学习能力与实践能力强，具备数据科学前沿领域文献阅读与快速代码实践能力 3.拥有良好的沟通协调能力，在校期…
工作职责
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
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
AI测试系统开发： -基于大模型技术构建智能测试平台，实现测试用例自动化生成、测试结果实时分析及缺陷预测，提升测试覆盖率至99%以上。 -开发AI驱动的动态测试策略优化引擎，缩短测试周期30%-50%，降低冗余测试用例比例。 2.测试数据分析与溯源： -构建多维度测试数据湖，利用深度学习挖掘测试数据中的潜在失效模式，实现缺陷根因的秒级定位。 -设计测试约束左移方案，在早期设计阶段介入风险识别，减少后期迭代成本。 3.测试流程智能化重构： -主导AI与传统测试工具（如LabVIEW、Jenkins）的深度融合，推动自动化测试向自主决策测试演进。 -研发自适应测试框架，支持复杂场景（如高低温、电压瞬变）下的智能参数调优与异常捕获。 4.跨领域协同创新： -联动设计、制造及可靠性团队，建立测试-设计反馈闭环，驱动产品设计规则优化。 -沉淀AI测试知识图谱，形成可复用的测试模式库与最佳实践指南。
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
1. 数据采集与质量管控： - 设计并实施面向具身机器人的多模态数据采集方案，覆盖 传感器数据（摄像头、激光雷达、关节数据）、交互行为数据及环境语义信息。 - 制定 数据质量评估体系（如标注准确率、场景覆盖率、分布均衡性），通过自动化校验（规则引擎、异常检测）和人工抽样审核保障数据有效性。 - 与算法团队深度协作，将模型需求（如长尾场景挖掘、多模态对齐）转化为可执行的采集策略（如场景布置、合成数据生成）。 2. 数据链路开发与优化：构建高效的数据流水线，支持大规模数据存储、传输和实时处理。 3. 数据标注与增强：与标注团队合作，制定数据标注规范，确保标注一致性。 4. 支持算法研发：为具身智能算法团队提供高质量数据集，支持强化学习、模仿学习、感知与控制等方向的研究。 5. 跨团队协作：与硬件团队、软件团队及算法团队紧密合作，确保数据流与系统架构无缝集成。