招募下面两个方向的博士后候选人：
1. 大型深度学习模型异构服务器性能加速：近些年，学术界和产业界推出的超大规模的预训练模型，均取得了非常亮眼的效果，相关的研究也层出不穷。这些超大模型的推理往往是在各个计算硬件 (GPU， CPU，其他GPGPU等）以及多个计算节点之间协同地进行。
在这一过程中，推理的效率会受到计算之问的并行模式（如模型并行，流水线并行）、传输技术（量化，压缩，稀疏）、调度算法（多节点，多卡的计算调度）等各方面的影响。本项目希望能和青年学者一起，从以上方面克服深度学习模型异构服务器存在性能瓶颈，实现更加高效的大型深度学习模型推理，实现学术和产业领域的新突破；
2. 用于数据中心的AI服务加速（eg, 用于数据中心中GPU共享的低延迟GPU抢占机制）：数据中心多已采用GPU和其他SIMT处理器来加速大规模数据并行应用程序。除了高吞吐量之外，很多新兴的GPU任务如云游戏还具有低延迟等严格的服务质量（0oS）要求。针对这一类任务，数据中心通常配置超额的GPU以保证这些延迟敏感任务的Qo5目标。这导致了大部分 GPU在大多数情况下未得到充分利用。
空闲的计算能力(GPUs)可以分配给更偏重高性价比吞吐量的传统批处理作业，例如深度神经网络训练。因此，再数据中心这种多用户和多任务环境中，GPU共享更需要高效的低延迟抢占技术。目前，GPU抢占技术研究大多都集中在寄存器(Register)上下文领域，基于共享 内存(Shared Memory)的技术没有得到充分的关注。随着GPU复杂复杂性的逐 步提升，其共享内存的规模也不断扩大。本项目希望能够和年轻学者一起，通过 同时研究共享内存(Shared Memory）和寄存器(Register）技术，让GPU抢 占技术能够处理更加复杂的工作负载。
根据研究课题，有相关课题研究经验的博士毕业3年以内或进站6个月内可以取得博士学位证书的青年科研人才：
1. 计算机相关专业专业（高性能计算，体系结构）博士毕业3年以内或进站6个月内可以取得博士学位证书；
2. 有课题相关的研究经验（高性能计算+机器学习），以及相关领域的会议论文发表，PPoPP， HPCA， USENIX ATC ，ASPLOS， ICPP等会议优先；
3. 优秀的性能优化方法, 能够快速定位系统瓶颈的原因, IO,计算,带宽, 并能够针对性的做性能优化；
4. 扎实的计算机体系结构知识, 了解CUDA，X86, ARM体系架构特点和对应的高性能策略；
5. 较强的编程能力，可以结合理论分析以及编程实现复现的研究成果，并结合深度学习业务场景设计和实现最新技术，以及形成研究发表。
1. 提供不低于40万的年薪，支持申请博新计划等各类国家与地方博士后资助项目；
2. 提供一流的科研与实验条件，享受浙江大学博士后公寓（优惠价格租赁）或者住房补贴，异地入职提供一次性搬家补助；
3. 出站后留杭工作可申请杭州D类人才（100万元购房补助），以及区一级配套支持。
将以上材料以附件的形式发送至 qingyundamo@service.alibaba.com
