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.

Cette bibliothèque C++ facilite l'exploitation des registres vectoriels des processeurs modernes (SIMD) pour accélérer les calculs numériques. Elle permet aux développeurs d'exploiter pleinement les capacités des architectures matérielles sans maîtriser les détails techniques des instructions bas niveau. Destinée aux applications scientifiques ou industrielles nécessitant des performances élevées, elle s'intègre facilement dans des projets existants grâce à une interface intuitive et des fonctionnalités prêtes à l'emploi.

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.

OpenBLAS est une bibliothèque logicielle open source dédiée à l'accélération des calculs d'algèbre linéaire. Elle fournit des routines optimisées pour les opérations matricielles et vectorielles, améliorant significativement les performances des applications scientifiques, d'ingénierie ou de data science. Utilisée dans de nombreux domaines comme la simulation numérique ou l'intelligence artificielle, elle permet de réduire les temps de calcul tout en restant compatible avec les standards du calcul scientifique.

PYASTRA est une bibliothèque Python conçue pour simplifier l'interaction avec des outils scientifiques avancés. Elle agit comme une interface unifiée, permettant aux utilisateurs d'exploiter facilement des fonctionnalités de calcul numérique, de traitement de données et de visualisation sans maîtriser les détails techniques sous-jacents. Idéale pour les chercheurs, ingénieurs et data scientists, elle accélère le développement d'applications scientifiques tout en réduisant la complexité du code.

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.

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.

AngPow est un logiciel scientifique développé au Laboratoire de l'Accélérateur Linéaire (LAL/CNRS) pour calculer des spectres de puissance angulaire entre deux coques de décalage vers le rouge. Il permet d'analyser les corrélations cosmiques en intégrant des fonctions de sélection de décalage vers le rouge et des modèles de croissance des structures. L'outil inclut des approximations de Limber et des méthodes numériques avancées pour des calculs précis en cosmologie.

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 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.