Projet de recherche et développement dédié à la simulation numérique et à l'analyse de données géophysiques. Il permet de modéliser des phénomènes climatiques, océaniques ou atmosphériques en utilisant des algorithmes avancés de calcul scientifique. Le projet intègre des outils pour le traitement parallèle et la visualisation des résultats, facilitant ainsi la compréhension des interactions complexes entre différents paramètres environnementaux.

ProcessLib est une bibliothèque logicielle dédiée au traitement et à l'analyse d'images scientifiques, notamment pour les applications en imagerie synchrotron. Elle permet de manipuler des données expérimentales, d'appliquer des corrections d'images, de détecter des pics ou des régions d'intérêt, et de gérer des tâches de calcul en parallèle. Utilisée dans des environnements de recherche, elle facilite l'extraction et l'interprétation de données issues d'expériences complexes.

Cette bibliothèque permet de mesurer et d'enregistrer des timestamps pour des événements spécifiques dans des applications itératives ou dynamiques. Elle facilite l'analyse des performances en capturant les durées entre différentes étapes d'un processus, notamment dans des environnements parallèles comme MPI. Les données collectées peuvent être exportées pour une analyse ultérieure.

Melissa est un framework open source conçu pour optimiser les analyses de sensibilité et l'entraînement de modèles de deep learning à très grande échelle sur supercalculateurs. Il élimine le besoin de stocker des fichiers intermédiaires en traitant les données en transit, permettant ainsi de gérer des études impliquant des milliers de simulations parallèles sans surcharge de stockage. Le système coordonne des simulations numériques, des calculs statistiques et des entraînements de réseaux de neurones de manière efficace et résiliente.

Bibliothèque C++ parallèle pour l'analyse de données multivariées de grands ensembles de données. Comprend des méthodes pour le calcul de la décomposition en valeurs singulières (SVD), la décomposition en valeurs singulières aléatoires (RSVD), l'analyse en composantes principales (PCA), l'analyse multidimensionnelle d'échelle (MDS) et l'analyse des correspondances (CoA). Gère les fichiers texte et HDF5.

Ce projet automatise le traitement de fichiers génomiques en découpant des séquences FASTA et en exécutant des requêtes BLAST en parallèle. Il permet d'optimiser les analyses génomiques en réduisant le temps de calcul grâce à une parallélisation efficace sur des infrastructures de calcul haute performance comme SLURM. Destiné aux chercheurs et laboratoires en biologie moléculaire, il facilite l'exploration de grandes bases de données génétiques.

Outil d'analyse de traces de charge pour infrastructures parallèles. Il permet de transformer des données brutes de soumission de tâches en sessions utilisateur logiques, facilitant ainsi l'étude des comportements et des dépendances entre utilisateurs. Le projet génère des formats de sortie standardisés pour une intégration facile dans des analyses ultérieures ou des outils de visualisation.

Outil open source conçu pour automatiser et orchestrer des workflows d'analyse d'imagerie cérébrale fonctionnelle (IRMf). Il permet de construire des chaînes de traitement à partir de descriptions de configurations, d'exécuter ces workflows en parallèle sur des clusters de calcul, puis de post-traiter les résultats pour en extraire des statistiques et des corrélations. Destiné aux chercheurs et cliniciens en neurosciences, il facilite la reproductibilité et l'analyse comparative des données.

Ce projet propose des implémentations parallèles optimisées de l'algorithme de clustering k-means, adaptées aux architectures CPU multi-cœurs et GPU NVIDIA. Il permet d'analyser de grands volumes de données en réduisant significativement le temps de calcul grâce à des techniques de parallélisation avancées. Les utilisateurs peuvent exploiter des jeux de données réels ou synthétiques pour des applications en science des données, en apprentissage automatique ou en analyse statistique.

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.