长鑫存储设计可靠性工程师 | Design for Reliability Enginner(J15452)
任职要求
任职资格
1.本科及以上学历，微电子、半导体、物理类相关专业；
2.具备3年及以上器件、可靠性、设计或Product工作经验, 有良好的器件、可靠性、电路或产品基础；
3.有DFR、电路分析、电性失效分析相关经验更佳。工作职责
1.拆解DRAM电路对器件可靠性的需求, 制定可靠性相关design rule和spec.； 2.基于aging model/ECR rule进行电路的可靠性老化仿真, 分析研究相关degradation机理, drive产线可靠性部门改善； 3.统筹BI/HTOL等产品可靠性项目的失效分析, 分析电路失效机理, 提供改善建议； 4.调研总结DRAM可靠性关键电路,相关失效机理和改进方案方法, 形成lesson learn和DFMEA; 5.建立并完善DRAM相关的DFR规范; 6.研究建立从器件-电路-产品的可靠性co-relation, 发布相关技术和学术成果；
1.负责研发阶段工艺可靠性的研究及标准的制定； 2.结合PIE/UPD/CMOS/Design，准确诊断、定位以及解决各类工艺可靠性问题，并给出优化方向及措施； 3.总结/分析可靠性结果，结合器件参数退化趋势，准确建立及运用加速失效模型来预测产品的可靠性寿命； 4.同design一起，Control研发阶段Design for Reliability可靠性，提升相关电路的可靠性设计； 5.负责器件测试、数据分析与处理、编写测试报告、设计SOA评估及制定
1.负责研发阶段工艺可靠性的研究及标准的制定； 2.结合PIE/UPD/CMOS/Design，准确诊断、定位以及解决各类工艺可靠性问题，并给出优化方向及措施； 3.总结/分析可靠性结果，结合器件参数退化趋势，准确建立及运用加速失效模型来预测产品的可靠性寿命； 4.同design一起，Control研发阶段Design for Reliability可靠性，提升相关电路的可靠性设计； 5.负责器件测试、数据分析与处理、编写测试报告、设计SOA评估及制定。
Team Introduction: Data AML is ByteDance's machine learning middle platform, providing training and inference systems for recommendation, advertising, CV (computer vision), speech, and NLP (natural language processing) across businesses such as Douyin, Toutiao, and Xigua Video. AML provides powerful machine learning computing capabilities to internal business units and conducts research on general and innovative algorithms to solve key business challenges. Additionally, through Volcano Engine, it delivers core machine learning and recommendation system capabilities to external enterprise clients. Beyond business applications, AML is also engaged in cutting-edge research in areas such as AI for Science and scientific computing. Research Project Introduction: Large-scale recommendation systems are being increasingly applied to short video, text community, image and other products, and the role of modal information in recommendation systems has become more prominent. ByteDance's practice has found that modal information can serve as a generalization feature to support business scenarios such as recommendation, and the research on end-to-end ultra-large-scale multimodal recommendation systems has enormous potential. It is expected to further explore directions such as multimodal cotraining, 7B/13B large-scale parameter models, and longer sequence end-to-end based on algorithm-engineering CoDesign. Engineering research directions include: Representation of multimodal samples Construction of high-performance multimodal inference engines based on the PyTorch framework Development of high-performance multimodal training frameworks Application of heterogeneous hardware in multimodal recommendation systems 1. Algorithmic research directions include: 2. Design of reasonable recommendation-advertising and multimodal cotraining architectures 3. Sparse Mixture of Experts (Sparse MOE) 4. Memory Network 5. Hybrid precision techniques 团队介绍： Data AML是字节跳动公司的机器学习中台，为抖音/今日头条/西瓜视频等业务提供推荐/广告/CV/语音/NLP的训练和推理系统。为公司内业务部门提供强大的机器学习算力，并在这些业务的问题上研究一些具有通用性和创新性的算法。同时，也通过火山引擎将一些机器学习/推荐系统的核心能力提供给外部企业客户。此外，AML还在AI for Science，科学计算等领域做一些前沿研究。 课题介绍： 大规模推荐系统正在越来越多的应用到短视频、文本社区、图像等产品上，模态信息在推荐系统中的作用也越来越大。 字节实践中发现模态信息能够很好的作为泛化特征支持推荐等业务场景，端到端的超大规模多模态推荐系统的研究具有非常大的想象空间。 期望在算法和工程CoDesign基础上，对多模态Cotrain、7B/13B大规模参数模型、更长序列端到端等方向进一步进行探索。 工程上研究方向包括多模态样本的表征、基于 pytorch 框架的高性能多模态推理引擎、高性能多模态训练框架的构建、异构硬件在多模态推荐系统上的应用；算法上的研究方向包括设计合理的推荐广告和多模态Cotrain结构、Sparse MOE、Memory Network、混合精度等。 1、负责机器学习系统架构的设计开发，以及系统性能调优； 2、负责解决系统高并发、高可靠性、高可扩展性等技术难关； 3、覆盖机器学习系统多个子方向领域的工作，包括：资源调度、任务编排、模型训练、模型推理、模型管理、数据集管理、工作流编排、ML for System等； 4、负责机器学习系统前瞻技术的调研和引入，比如：最新硬件架构、异构计算系统、GPU优化技术的引入落地； 5、研究基于机器学习方法，实现对集群/服务资源使用情况的分析和优化。
1.从MOSFET优化着手，参与Dram相关电路设计及其设计优化； 2.基于对当前dram电路的风险评估，提出改善优化方向； 3.针对低良率或可靠性问题，和产品部门合作，通过电路和失效分析，建立失效模型，定位真因； 4.从电路设计出发，和工艺及产品部门合作一起推动产品良率持续爬升； 5.通过研究思考以及和业界对标等方法，对优化电路设计提出指导方向。