高性能计算与AI建模工程师(J20072)

负责向量运算、稠密矩阵与稀疏矩阵求解器的性能优化与工程落地，覆盖从底层算子到完整求解链路的全流程调优；

基于 BLAS/LAPACK 基础数学库，开展稠密矩阵 LU 分解、求逆等核心算法的性能优化与定制化改造；

负责稀疏矩阵求解技术研发与跨平台调优，深度优化 SuperLU 等直接求解器，落地 CG+ AMG 的迭代法求解方案，支撑大规模线性方程组高效求解；

探索并落地 AI 模型加速数值计算的技术路径，包括但不限于基于神经网络的求解器加速、算子融合优化、预条件智能生成等方案，实现传统数值算法在 CPU/GPU 异构环境下的效率突破；

对接业务场景的大规模计算需求，完成求解算法的工程化封装、并行化改造与 CPU/GPU 异构适配，保障双平台下算法的稳定性与计算效率；

跟踪高性能计算与 AI 加速数值计算领域的前沿技术，开展技术预研与方案验证。

计算机科学与技术、计算数学等相关专业，硕士及以上学历，5 年以上高性能计算领域开发经验；

熟悉 C/C++/Python/Matlab中的一种或几种，具备扎实的算法与数据结构基础，有良好的代码规范与工程化能力；

深入理解 BLAS/LAPACK 数学库原理，熟练掌握稠密矩阵 LU 分解等核心分解算法；

精通稀疏矩阵求解技术，熟练使用 SuperLU 等直接求解器，深入理解 CG 迭代法原理，具备 AMG 代数多重网格预条件的开发、调优经验；

掌握 CPU 与 GPU 平台的高性能计算加速方法（至少掌握一种，两种都掌握则为加分项）： ￮ CPU 侧：熟练掌握 SIMD 指令集优化、OpenMP 多线程、MPI 分布式并行等技术，有 CPU 端内存优化、缓存亲和性调优经验； ￮ GPU 侧：熟练掌握 CUDA编程、cuBLAS/cuSPARSE/cuSOLVER 等加速库，有 GPU 端核函数优化、显存优化、算子融合落地经验。

了解 AI 加速数值计算的主流技术方案，有基于深度学习模型加速矩阵求解、数值算子优化的实践经验；熟悉 PyTorch/TensorFlow 等框架者优先。