预览结束
填写信息下载完整版手册
-
官方小程序
-
官方公众号
-
官方微博
-
百家号
在线时间：7*24小时
在线客服
- 400-980-5599
- 联系电话
- 关注我们：
-
-
-
-
官方小程序
官方公众号
官方微博
百家号
在线时间：7*24小时
项目编号：QC-808
项目类型：科研项目
相关学科：计算机/电子工程、工程学、计算机科学、数学科学
公司：Stathera Inc.
项目周期：超过 1 年
优先开始日期：2025年4月1日
语言要求：英语
地点：加拿大魁北克省蒙特利尔
岗位数：1
学历要求：博士（PhD）
是否接受海外院校申请者：是
Stathera Inc. 是一家无晶圆厂半导体公司，致力于设计和开发 MEMS（微机电系统）计时解决方案。
Stathera 的突破性 MEMS 计时技术正在推动一个 100亿美元规模、已有百年历史的石英计时市场 向 MEMS 技术 转型。
该项目旨在通过 机器学习 提升计时设备在无 GNSS 环境下的保持性能。
Stathera 提出的 ASSiST 技术（AI-based Solutions for Silicon Synchronization in Timing） 通过 人工智能（AI） 和片上 神经处理单元（NPU），持续修正硅基计时器中的：
长期老化
频率漂移
频率偏移
项目目标：
利用 集成和环境传感器数据 以及 GNSS反馈 训练模型，动态调整校准参数，从而减少漂移和能耗。
随着模型训练和优化，它对参考信号的依赖逐步减少，在 无GNSS环境 下的自主性与可靠性显著提升。
该技术确保高精度与高可靠性，未来可应用于：
GNSS 定位系统
惯性/推算导航系统
电信系统
自动驾驶车辆
关键基础设施监控
候选人将负责以下核心任务：
数据管道设计（与硬件团队合作）
开发高吞吐、低延迟的数据流管道（如 Apache Kafka）
实现实时传感器数据处理与边缘设备计算
神经网络架构
设计并实现能够建模频率漂移模式的神经网络
输入为环境传感器数据及用户定义的老化机制
模型训练与验证
使用合成数据和实验室采集数据训练模型
通过 GPS 控制的铷原子钟测量数据 验证模型精度
实时优化
将模型优化部署在低功耗设备（如微控制器）
实现实时漂移预测与时钟校正
熟悉机器学习框架（如 TensorFlow、PyTorch）
深刻理解数据预处理与特征工程
有将机器学习模型部署到低功耗设备（微控制器、嵌入式系统）的经验
稍后会有顾问老师反馈评估结果