Outil dédié à l'extrapolation et à l'analyse de matrices de données, permettant de traiter des séries temporelles pour en déduire des tendances ou des valeurs futures. Utilisé pour optimiser la gestion de la mémoire et accélérer les calculs dans des environnements nécessitant une forte puissance analytique.

Outil dédié au lancement et à l'optimisation d'applications de type LImA et LImA2, principalement utilisées dans des environnements de calcul haute performance. Il configure dynamiquement les ressources système (CPU, mémoire, affinité NUMA) pour maximiser les performances des applications de traitement de données et d'acquisition (DAQ). Il prend en charge l'accélération matérielle via des bibliothèques comme Power9 NX GZIP et permet une intégration avec des frameworks comme Tango pour une gestion centralisée.

Ce projet propose un environnement conteneurisé léger basé sur Miniconda, spécialement configuré pour Python 3.10 et PyTorch avec support CUDA 11.7. Il vise à réduire l'empreinte mémoire tout en offrant une solution prête à l'emploi pour les développeurs en intelligence artificielle ou en calcul scientifique nécessitant des accélérations GPU. Compatible avec Docker et Singularity/Apptainer, il facilite le déploiement et la reproductibilité des projets.

Le projet rotor est un module Python qui vise à remplacer la fonctionnalité de checkpointing de PyTorch en offrant des stratégies plus efficaces et plus faciles à régler. Il permet d'optimiser l'utilisation de la mémoire vive pendant l'entraînement de réseaux de neurones, ce qui peut accélérer l'entraînement et permettre de s'entraîner sur des jeux de données plus grands.

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.