传统科学计算的主题是有效求解各个尺度的物理模型，相应诞生了一些列的数值方法和专用软件。但不同尺度的物理模型的内禀复杂度不同，应用和普及的速度不一。
擅长多维度建模的深度学习和富集低成本弹性算力的云，正是当下科学计算问题最为活跃的解法，并已在生物信息、计算材料等学科取得积极进展。
我们是
字节跳动 AML（Applied Machine Learning）团队，正在寻找具备敏锐洞察和创新精神的开拓者，欢迎多元背景的同学加入！
投递方式正式员工和实习生（可转正）共享投递岗位和入口，后台自动区分：
- 官网投递请点击职位描述内的链接
- 或邮箱请投：shishaochen@bytedance.com
职位：高性能计算架构工程师/实习生-科学计算方向https://jobs.bytedance.com/experienced/position/7030679574691383559/detail
岗位职责1. 深入调研材料、生物等学科在分子动力学、量子化学等经典方法上的软硬件技术栈，洞察当下模拟和计算的瓶颈；
2. 从异构硬件、机器学习、并发模型等角度入手，加速分子模拟框架及其数值计算库，背靠集群资源解决大规模运算的性能问题；
3. 探索科学计算落地云原生设施的最佳实践，设计并开发弹性资源、高通量编排、一体化加速等基础产品。
任职要求1. 熟悉常见的算法、设计模式和数据结构，具备良好的代码风格；
2. 能够独立分析问题和解决问题，自我驱动并对过程负责；
3. 具备扎实的操作系统、计算机网络等基础知识；
4. 满足以下一个或多个条件：
- 阅读过 Lammps、Gromacs、Quantum ESPRESSO、CP2K 等任一专用软件源码，或参与过气象预报、工程仿真、生命科学等专用软件的开发。
- 熟练使用 Cuda、MKL、Eigen 等任一计算库，或 NCCL、MPI 等任一通信库。
- 有过基于 Slurm、Kubernetes 等集群系统的分布式应用开发经历。
团队介绍字节跳动应用机器学习（AML, Applied Machine Learning）团队负责给公司提供统一的机器学习中台服务，同时对外探索前沿和新颖的机器学习应用领域和交叉学科。
以下是
一小部分特色项目
- 联邦学习和隐私计算
- 分子动力学、量子力学的计算和模拟
- 生物场景的计算方法和应用
- 推荐广告大规模分布式训练系统和推理系统
- 融合多种硬件和训练框架的编译器研究（ByteIR）
- 自动推理性能优化（TVM, XPerf）
- 分布式训练系统中的通信中间件（BytePS）
- 机器学习调度系统
- 大规模多模态预训练
- 图神经网络
- AutoML/NAS
- 计算机视觉
※ 修改:·doublelight 于 Dec 2 17:48:05 2021 修改本文·[FROM: 49.7.47.*]
※ 来源:·水木社区
http://www.mysmth.net·[FROM: 49.7.47.*]
修改:doublelight FROM 49.7.47.*
FROM 49.7.47.*