Developer Technology Engineer, Energy — NVIDIA (ufficio Zurich)

Vollständige Beschreibung

Unsere Arbeit bei NVIDIA widmet sich einem Computermodell, das sich auf visuelles und KI-Computing konzentriert. Seit zwei Jahrzehnten ist NVIDIA mit unserer Erfindung der GPU Pionier im Bereich Visual Computing, der Kunst und Wissenschaft der Computergrafik. Die GPU hat sich auch als spektakulär effektiv bei der Lösung einiger der komplexesten Probleme in der Informatik erwiesen. Heute simuliert die GPU von NVIDIA die menschliche Intelligenz, führt Deep-Learning-Algorithmen aus und fungiert als Gehirn von Computern, Robotern und selbstfahrenden Autos, die die Welt wahrnehmen und verstehen können. Wir wollen unser Unternehmen und unsere Teams mit den klügsten Menschen der Welt ausbauen und es gab noch nie eine aufregendere Zeit, unserem Team beizutreten!

NVIDIA sucht einen leidenschaftlichen, erstklassigen Computerwissenschaftler und Ingenieure (Compute Developer Technology - DevTech), um Energiesimulation und KI-Workflows auf NVIDIA-Plattformen zu beschleunigen. Sie konzentrieren sich auf die CUDA-Leistungsoptimierung für Workloads wie seismische Verarbeitung (z. B. Bildgebungs- / Inversionspipelines), Reservoirsimulation, Stromnetzsimulatoren und verwandte HPC / AI-Produktionsworkflows. Sie arbeiten mit Kunden- und Partner-Engineering-Teams sowie NVIDIA-Produkt- und Engineering-Gruppen zusammen, um messbare Geschwindigkeiten und skalierbare Leistung auf Multi-GPU- und Multi-Node-Systemen zu liefern.

Was du willst b e d oing

• Profil, Analyse und Optimierung von GPU-beschleunigten Anwendungen mit Schwerpunkt auf CUDA-Kernel, Speicherbewegung, Parallelität und End-to-End-Durchsatz.
• Leistungssteigerungen im gesamten Stack:
• CUDA C++ Kernel Optimierung, Startkonfiguration, Speicherhierarchie, Streams/Events
• GPU-Bibliotheken (falls zutreffend): cuBLAS, cuFFT, cuSPARSE, cuSOLVER, NCCL
• Multi-GPU und Multi-Node Skalierung mit MPI + NCCL, CPU/GPU Überlappung, Kommunikationsmuster
• Erstellen Sie reproduzierbare Benchmarks, Leistungsberichte und Abstimmungsempfehlungen (Vorher/Nachher, Methodik, Skalierungskurven).
• Entwickeln und pflegen Sie Referenzimplementierungen, Beispiele und/oder Patches für den Kundencode, um Leistung und Portabilität zu ermöglichen.
• Unterstützung von Kundeneinsätzen (POCs für die Produktion), einschließlich Debugging-Fehler bezüglich Korrektheit/Leistung und Beratung zu Best Practices für die Bereitstellung (Container, Scheduler, Cluster).
• Arbeiten Sie mit internen Teams zusammen, um umsetzbare Probleme zu beheben, Korrekturen zu validieren und die Roadmap basierend auf echten Kundenanforderungen in Energy zu beeinflussen.
• Erstellen Sie interne Bibliotheken und wiederverwendbaren Code, der zu zukünftigen NVIDIA-Produkten führen würde.

Was w e n eed zu s ee

• BS / MS (oder gleichwertige Erfahrung) in CS / CE / EE / Physik / Angewandte Mathematik oder verwandten Bereich.
• Starke Programmierkenntnisse in C/C++ und Python unter Linux.
• Praktische Erfahrung mit CUDA-Programmierung und GPU-Leistungsoptimierungskonzepten.
• Erleben Sie Profiling und Debugging-Performance mit Tools wie NVIDIA Nsight Systems / Nsight Compute (oder gleichwertig).
• Verständnis von parallelen Rechen- und Leistungsgrundlagen (Vektorisierung, Threading, NUMA, Speicherbandbreite/Latenz).
• Fähigkeit, technische Erkenntnisse sowohl Ingenieuren als auch Nicht-Ingenieuren klar zu vermitteln.
• 5+ Jahre relevante Erfahrung in der GPU / HPC-Optimierung; starke Erfolgsbilanz der gelieferten Beschleunigungen und Skalierungsverbesserungen.

Möglichkeiten, sich von der Masse abzuheben

• Leitet Leistungsbewertungen mit Kundenstakeholdern; erstellt wiederverwendbare Playbooks / Referenzdesigns. Erfahrung/Fähigkeiten (typisch)
• HPC-Erfahrung mit MPI, verteilten Systemen und Multi-Node-Performance-Tuning.
• Exposition im Energie-/HPC-Bereich:
• Seismische Verarbeitungspipelines, RTM/FWI-artige Muster, FFT/Schablonen/lineare Algebra schwere Codes
• Reservoirsimulation (spare/iterative Solver), Vorkonditionierung, Domänenzerlegung
• Stromnetzsimulation / Transientenstabilität / Optimierungsworkflows
• Erfahrung mit CI/Perf-Regressionstests, containerisierten Workflows (Docker/Apptainer) und Schedulern (Slurm).
• Vertrautheit mit KI-Workflows, die neben der Simulation verwendet werden (Datenvorbereitung, Schulung/Inferenzintegration, Pipeline-Perfo)