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.

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.

Ce projet développe des modèles de substitution (surrogate models) pour prédire les paramètres scalaires d'un faisceau laser-plasma, tels que l'énergie médiane, la charge, la dispersion d'énergie et l'émittance transverse normalisée. Ces prédictions s'appuient sur des configurations cibles d'accélérateurs laser-plasma définies par des paramètres physiques comme la position du point focal du laser, le potentiel vectoriel normalisé ou la concentration d'azote. Les modèles sont entraînés sur des données de simulations PIC post-traitées et permettent d'explorer des configurations optimales pour la conception d'accélérateurs.

Bibliothèque logicielle dédiée à l'optimisation et à l'accélération de calculs vectoriels en C++. Elle propose des fonctions avancées pour manipuler des données numériques de manière performante, notamment pour des applications scientifiques ou techniques nécessitant des traitements rapides et efficaces.