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 propose des implémentations parallèles optimisées de l'algorithme de clustering k-means, exploitant les unités vectorielles des CPU multi-cœurs et les GPU NVIDIA. Il permet d'accélérer significativement le traitement de grands jeux de données, comme des mesures de consommation électrique ou des données de recensement, tout en garantissant une précision numérique élevée grâce à des méthodes de sommation en deux étapes.

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 utilise TensorFlow pour analyser et traiter des données sismiques en exploitant l'accélération par GPU. Il permet de calculer des corrélations croisées entre signaux sismiques, facilitant ainsi l'étude des phénomènes géophysiques. Les résultats peuvent être visualisés et partagés sous forme de présentations ou de rapports. L'outil est conçu pour être adapté à divers cas d'usage en géophysique.

PyHiPeRTA est une implémentation en Python d'algorithmes scientifiques dédiés à l'analyse de données haute performance, notamment pour le portage sur GPU. Ce projet vise à accélérer les calculs dans le domaine de l'astrophysique, en s'appuyant sur des bibliothèques comme NumPy pour des implémentations CPU. Il s'agit d'un prototype explorant des solutions optimisées pour le traitement intensif de données.

Ce projet propose une méthode d'analyse sismique utilisant le calcul accéléré par GPU pour traiter des données géophysiques. Il permet de calculer des corrélations croisées entre signaux sismiques, facilitant ainsi l'étude des phénomènes géologiques. Les résultats peuvent être visualisés et exploités pour des applications en géophysique ou en sismologie.

Bibliothèque et outils dédiés à l'exécution de calculs scientifiques et techniques sur GPU. Permet d'accélérer les simulations numériques, les modèles mathématiques et les traitements de données parallèles grâce à des compilateurs et frameworks spécialisés comme nvfortran et OpenACC.

Projet dédié à l'exploitation des capacités de calcul des GPU pour des tâches intensives. Il permet d'accélérer des calculs parallèles, d'optimiser des performances graphiques et de traiter des données massives. Utilisé principalement pour des simulations numériques, des analyses scientifiques ou des applications nécessitant une puissance de calcul élevée.

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.