OpenBLAS est une bibliothèque logicielle open source dédiée à l'accélération des calculs d'algèbre linéaire. Elle fournit des routines optimisées pour les opérations matricielles et vectorielles, améliorant significativement les performances des applications scientifiques, d'ingénierie ou de data science. Utilisée dans de nombreux domaines comme la simulation numérique ou l'intelligence artificielle, elle permet de réduire les temps de calcul tout en restant compatible avec les standards du calcul scientifique.

Lmpcpp est une bibliothèque logicielle dédiée à la planification de trajectoires et au contrôle de robots mobiles et manipulateurs. Elle permet de générer des trajectoires optimales en termes de temps et d'énergie, en prenant en compte les contraintes de vitesse, d'accélération et d'évitement d'obstacles. Elle s'appuie sur des algorithmes avancés de calcul matriciel et d'optimisation numérique, et offre une interface flexible et facile à utiliser pour les développeurs et les chercheurs en robotique.

Bibliothèque logicielle dédiée à l'optimisation et à l'accélération de calculs scientifiques intensifs. Elle propose des fonctions avancées pour le traitement parallèle de données, notamment des opérations vectorielles et matricielles. Utilisée principalement dans le domaine de la physique des particules et de l'astrophysique pour des simulations et analyses de données à haute performance.

PLIBS_9_PYTHON est une bibliothèque Python optimisée dédiée aux calculs scientifiques intensifs. Elle propose des fonctions avancées pour accélérer les opérations mathématiques comme les réductions de données, les produits matriciels (GEMM, GEMV) ou les calculs vectoriels. Utilisée principalement dans le domaine de la physique et de l'astrophysique, elle permet aux chercheurs et développeurs d'optimiser leurs algorithmes tout en simplifiant leur implémentation en Python.

Le projet cmake_external_openblas est une bibliothèque d'accélération de calculs numériques basée sur OpenBLAS. Elle permet d'effectuer des opérations matricielles et linéaires intensives, telles que la décomposition LU, QR ou la factorisation de Cholesky, avec une haute performance et une faible consommation de mémoire.

HPC_ASTRICS est un projet dédié au calcul haute performance (HPC) et à l'optimisation de calculs scientifiques. Il propose des outils pour accélérer les simulations numériques, les analyses de données et les traitements matriciels, notamment dans le domaine de la physique. Utilisé dans un cadre académique, il facilite la formation et la recherche en optimisant les performances des algorithmes.

Ce projet propose une implémentation parallèle de la méthode de la puissance pour calculer efficacement les valeurs propres dominantes d'une matrice. Il exploite les capacités des processeurs graphiques (GPU) pour accélérer les calculs itératifs, réduisant ainsi le temps de traitement des grands jeux de données. Idéal pour les applications nécessitant des calculs matriciels intensifs comme l'analyse de données ou la modélisation scientifique.

Ce projet permet d'exécuter des opérations de calcul matriciel sur des cartes graphiques compatibles CUDA. Il est conçu pour accélérer les traitements intensifs de données numériques, notamment dans des domaines comme la simulation scientifique, l'analyse de données ou le machine learning. Le code source fourni permet de compiler et d'exécuter des additions de matrices en exploitant la puissance parallèle des GPU.