Ce projet propose des outils et méthodes pour optimiser les calculs intensifs sur GPU, notamment dans le domaine de la simulation scientifique. Il inclut des bibliothèques et frameworks dédiés à l'accélération des traitements parallèles, ainsi que des ressources pédagogiques pour former les utilisateurs à ces technologies. Destiné aux chercheurs et ingénieurs, il facilite la mise en œuvre de solutions haute performance pour des applications variées.

Ce projet fournit des outils et tutoriels pour développer des applications utilisant la programmation parallèle avec SyCL, notamment pour exploiter les capacités des GPU et accélérateurs. Il inclut des benchmarks pour évaluer les performances et des guides pratiques pour configurer des environnements de développement sur des machines équipées de cartes NVIDIA ou Intel. Destiné aux développeurs et chercheurs en calcul haute performance.

Ce projet propose une image Docker légère basée sur CentOS 7, intégrant Miniconda, PyTorch avec CUDA 11.3 et JupyterLab. Destiné aux environnements de développement et d'intégration continue, il permet aux chercheurs et développeurs de créer des notebooks interactifs pour l'apprentissage profond. L'image est optimisée pour les calculs accélérés par GPU et est hébergée sur l'infrastructure interne du Pasteur Institute.

Ce projet vise à optimiser les performances des calculs utilisant des stencils sur des architectures GPU. Il propose des outils et des méthodes pour accélérer les simulations scientifiques, notamment dans le domaine de la physique des particules. Les fonctionnalités incluent l'évaluation de produits de Hadamard, la factorisation de nombres et la gestion de matrices pour des calculs intensifs.

Outil dédié à l'intégration et au traitement de données de diffraction pour des détecteurs de type Pilatus, notamment utilisé sur la ligne ID15A de l'ESRF. Il permet d'analyser des scans expérimentaux en exploitant des ressources GPU pour accélérer les calculs. Le projet facilite l'extraction et la visualisation de données scientifiques complexes issues d'expériences de diffraction, en fournissant des fonctionnalités adaptées aux besoins des chercheurs en physique et science des matériaux.

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.

Ce projet propose une image Docker basée sur NVIDIA CUDA 11.0, conçue pour faciliter la compilation et les tests dans des environnements nécessitant des capacités GPU. Utilisée principalement pour des pipelines CI/CD, elle permet aux développeurs de standardiser leurs environnements de développement et de test, garantissant ainsi une compatibilité et une reproductibilité accrues dans les projets nécessitant des calculs accélérés par GPU.

Ce projet fournit un conteneur CentOS-7 préconfiguré avec Miniconda et CUDA 9.2 pour accélérer les calculs GPU sur des nœuds dédiés (K80, M40, P100). Il permet d'exécuter des applications scientifiques ou d'apprentissage profond sans problème de compatibilité kernel. Utilisable sur des infrastructures HPC comme TARS, il facilite le déploiement et l'optimisation des ressources pour des tâches intensives en calcul.

Ce projet propose un tutoriel pratique pour implémenter la simulation de la réaction chimique de Gray-Scott en utilisant le framework SYCL. Il guide les utilisateurs dans la création d'un programme parallèle capable de modéliser l'évolution de deux substances chimiques sur une grille 2D, en exploitant les capacités de calcul des GPU ou des accélérateurs matériels. Le projet inclut des exemples concrets, des comparaisons de performances et des bonnes pratiques pour optimiser les transferts de données entre hôte et périphérique.

Projet dédié à l'optimisation et à l'accélération de calculs intensifs en utilisant des technologies comme CUDA et nvC++. Il permet de tester et comparer les performances des calculs parallèles sur CPU et GPU, notamment pour des applications scientifiques ou industrielles nécessitant des ressources de calcul avancées. Le projet inclut des outils de calibration, de benchmarking et des exemples pratiques pour évaluer l'efficacité des algorithmes.