Pasante de Machine Learning (Doctorado)

Keysight está a la vanguardia de la innovación tecnológica, ofreciendo avances y conocimientos de confianza en diseño electrónico, simulación, prototipado, pruebas, fabricación y optimización. Nuestros aproximadamente 16.800 empleados crean soluciones de clase mundial en los mercados de comunicaciones, 5G, automoción, energía, cuántica, aeroespacial, defensa y semiconductores para clientes en más de 100 países. Obtenga más información sobre lo que hacemos.

Nuestra cultura galardonada abraza una visión audaz de hacia dónde puede llevarnos la tecnología y la pasión por abordar problemas desafiantes con soluciones pioneras en la industria. Creemos que cuando las personas sienten un sentido de pertenencia, pueden ser más creativas, innovadoras y prosperar en todos los puntos de sus carreras.

Keysight busca un becario de doctorado para explorar representaciones de aprendizaje automático para diseños electrónicos variables donde la estructura subyacente puede cambiar entre los distintos puntos de diseño. El trabajo va más allá de la topología del circuito para incluir el diseño físico (layout), la estructura de colocación y enrutamiento (place-and-route), las relaciones geométricas, la conectividad y los metadatos de diseño utilizados en los flujos de trabajo modernos de diseño electrónico.

En este puesto, ayudarás a desarrollar y evaluar representaciones estructuradas y basadas en grafos que puedan dar soporte al aprendizaje en diseños con diferentes bloques, dispositivos, redes (nets), colocaciones, enrutamientos y características de diseño físico. El objetivo es hacer que los flujos de trabajo de aprendizaje automático sean más adaptables al pasar de ejemplos de topología fija a espacios de diseño más ricos que incluyan variaciones de circuito, diseño físico y enrutamiento.

Colaborarás con investigadores de aprendizaje automático, ingenieros de automatización de diseño y expertos en simulación para prototipar representaciones, conectarlas con los flujos de trabajo de entrenamiento de modelos y estudiar cómo las elecciones de representación afectan a la generalización, el comportamiento de optimización y la consistencia del diseño.

• Diseña y prototipa codificaciones de datos estructuradas y basadas en grafos para diseños electrónicos variables que abarquen la topología del circuito, el diseño físico y la información de colocación y enrutamiento.
• Representa atributos de diseño tales como la identidad, el tipo, los parámetros, la conectividad, la colocación, el enrutamiento, la geometría, la jerarquía y las restricciones pertinentes de componentes o bloques.
• Analiza las suposiciones de estructura fija existentes en los flujos de datos e identifica dónde limitan la generalización a nuevos circuitos, diseños físicos o patrones de enrutamiento.
• Desarrolla utilidades de mapeo y validación entre los datos de diseño de origen, como netlists, representaciones de diseño físico, metadatos de colocación/enrutamiento y entradas listas para modelos.
• Integra prototipos de representación con flujos de trabajo de aprendizaje de grafos, modelado sustituto (surrogate modeling) y optimización de diseño.
• Compara representaciones de grafos flexibles frente a líneas de base de topología fija o rejilla fija utilizando criterios de evaluación claros.
• Investiga modos de fallo relacionados con conectividad inconsistente, falta de contexto físico, abstracción del diseño físico, ambigüedad en el enrutamiento o desajuste entre representación y modelo.
• Documenta interfaces, suposiciones y resultados experimentales para que los equipos de ingeniería puedan revisar y ampliar los prototipos.
• Valida los flujos de trabajo seleccionados en Python y, cuando sea apropiado, en entornos C++/LibTorch.

• Obtén experiencia práctica con el aprendizaje de representaciones de grafos para estructuras de diseño de ingeniería variables.
• Aprende cómo los datos de circuitos, diseño físico y colocación/enrutamiento pueden convertirse en representaciones de grafos o tensores listos para modelos.
• Evalúa las opciones de representación de forma independiente de las limitaciones de la arquitectura del modelo y de los efectos del entrenamiento.
• Desarrolla la intuición para la transferencia y la generalización a través de estructuras de diseño con conectividad, geometría y restricciones cambiantes.
• Contribuye a prototipar flujos de trabajo que conecten la experimentación basada en Python con entornos de C++ y LibTorch orientados a la producción.