2027届-AI for EDA 算法工程师

-围绕时序、功耗、面积、拥塞等一个或多个指标，分析其影响因素，定义预测目标、适用条件和评估标准

-结合 RTL、网表、时序约束、工艺库、布局及早期工具结果，设计具有领域意义的输入特征与电路表示，平衡信息获取成本与预测效果

-设计实验与数据采样方案，利用实际设计和 EDA 工具生成训练及评测数据，控制数据生成成本，提升样本覆盖和标签可信度

-与算法团队共同研发代理模型，探索机器学习、图学习、物理先验与数值近似等方法，实现跨阶段指标预测、设计版本排序及变化趋势判断

-建立与真实 EDA 结果对照的评估体系，分析预测误差、跨设计泛化、小幅变化识别能力及端到端加速收益

-研究模型不确定性、失效检测及真实工具回查机制，持续迭代模型，提升其在设计优化和强化学习过程中的可靠性

-与芯片设计、后训练和基础设施团队协作，推动代理模型接入实际设计迭代及 RL 评估流程

-具备微电子、集成电路、电子工程、计算机、应用数学或相关专业背景

-在数字电路设计、综合、静态时序分析、布局布线、功耗分析等方向中，具备至少一个方向的研究或实践积累；能够解释相关指标的物理意义、影响因素与分析流程

-具备预测建模、代理建模、数值建模或机器学习研究经验，能够将领域问题转化为明确的输入、输出和可验证的实验

-熟悉 Python，能够完成特征提取、实验分析和模型开发；具备使用或学习 PyTorch、Scikit-learn 等工具的能力

-重视实验严谨性，能够设计合理基线、划分训练与测试数据、分析失败案例，并识别模型的适用边界

-具备良好的沟通与协作能力，能够与芯片设计和算法团队共同定义问题、推进验证与落地