Ce projet centralise des ressources pédagogiques dédiées au calcul scientifique et à l'optimisation des performances. Il propose des tutoriels sur des thèmes variés comme le profilage, la vectorisation, l'utilisation d'accélérateurs (OpenCL, Kokkos) ou encore le calcul intensif (OpenMP, MPI). Il couvre également des outils modernes comme TensorFlow, Spark ou HDF5 pour la science des données et l'apprentissage automatique.

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.

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.

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.

Ce projet se concentre sur l'optimisation et l'accélération de calculs intensifs liés au minage de données et à la résolution de problèmes mathématiques complexes. Il propose des méthodes de prétraitement, de partitionnement et de calcul parallèle pour traiter des volumes de données importants, tout en gérant des données corrompues ou partielles. Les solutions développées visent à améliorer l'efficacité des algorithmes existants, notamment pour des applications en cryptographie ou en analyse de données.

Ce projet fournit des bindings Python pour interagir avec la bibliothèque Kokkos, un framework C++ dédié au calcul haute performance. Il permet d'échanger des structures de données complexes (comme des vues multi-dimensionnelles) entre Python et C++, tout en offrant une intégration transparente avec des bibliothèques comme NumPy. L'objectif est d'accélérer le développement d'applications scientifiques ou industrielles nécessitant des calculs intensifs.

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 propose des outils de calcul scientifique spécialisés dans la résolution d'équations d'agrégation. Il permet d'effectuer des simulations numériques avancées pour des applications en physique, mathématiques appliquées ou ingénierie. Les algorithmes optimisés exploitent les architectures modernes (CPU et GPU) pour accélérer les calculs intensifs.

Ce projet fournit un kit de développement pour optimiser et accélérer les applications haute performance (HPC) sous CentOS 7. Il inclut des outils et bibliothèques pour faciliter l'intégration d'APIs, améliorer les performances des calculs intensifs et simplifier le déploiement dans des environnements de calcul scientifique ou industriel.

Ce projet propose des sous-routines d'algèbre linéaire dense optimisées pour des architectures hétérogènes et distribuées. Il vise à accélérer les calculs mathématiques intensifs, notamment dans des environnements nécessitant une grande puissance de traitement comme le calcul scientifique ou l'analyse de données massives. Les performances sont améliorées grâce à une parallélisation adaptée aux ressources disponibles.