La posición está enfocada en la reducción de gráficos de aprendizaje profundo, desde marcos comunes como PyTorch, TensorFlow, Keras, entre otros, a una representación intermedia para entrenamiento e inferencia. Se presta especial atención a garantizar la reproducibilidad en todo el proceso.

Responsabilidades:

• Escribir algoritmos novedosos para transformar representaciones intermedias de gráficos de cálculo entre diferentes representaciones de operadores.
  
• Poseer experiencia en al menos dos de las siguientes áreas del compilador:
  
• Interfaz: Gestionar la comunicación entre marcos de aprendizaje profundo comunes y el IR de Gensyn para uso interno. Escribir pases de transformación en ONNX para modificar el IR para el consumo intermedio.
  
• Extremo medio: Escribir pases de compilación para gráficos de cómputo basados en entrenamiento, integrar núcleos de aprendizaje profundo reproducibles en la etapa de generación de código y depurar pases de compilación y transformaciones durante el proceso.
  
• Back-end: Reducir el IR desde el extremo medio hasta el código máquina de destino en GPU.
  

Requisitos:

• Comprensión básica de compiladores tradicionales (LLVM, GCC) y recorridos de gráficos necesarios para escribir código para dichos compiladores.
  
• Experiencia como ingeniero de software, con contribuciones significativas y código enviado en producción.
  
• Comprensión de programación paralela, especialmente en relación con GPUs.
  
• Capacidad para operar en:
  
• IR/Clang/LLVM de alto nivel hasta optimización de gama media; y/o
  
• Objetivos IR/LLVM de bajo nivel y optimizaciones específicas de objetivos, particularmente optimizaciones específicas de GPU.
  
• Excelentes habilidades de comunicación verbal y escrita.
  
• Capacidad para trabajar en un entorno de investigación aplicada con alta autonomía.
  
• Comprensión completa de arquitecturas informáticas especializadas para entrenamiento de redes neuronales (CPU Intel Xeon, GPU, TPU, aceleradores personalizados).
  
• Comprensión de compilación para una o más arquitecturas informáticas de alto rendimiento (CPU, GPU, aceleradores personalizados o sistemas heterogéneos).
  
• Base técnica demostrada en arquitecturas CPU y GPU, bibliotecas numéricas y diseño de software modular.
  
• Comprensión del aprendizaje profundo, incluyendo tendencias recientes, fundamentos del entrenamiento y experiencia con marcos de aprendizaje automático y sus componentes internos (PyTorch, TensorFlow, scikit-learn, etc.).
  
• Experiencia con marcos de compiladores de aprendizaje profundo, como TVM, MLIR, TensorComprehensions, Triton o JAX.
  
• Experiencia en escritura y optimización de kernels de GPU de alto rendimiento.