Ce projet mené par le PEReN étudie le framework AMP de Google en analysant ses performances et son impact sur le référencement. Il permet de comparer les résultats de recherche entre mobile et desktop, d'évaluer les métriques de performance (FCP, LCP, TTI, SI) et d'analyser les différences entre pages utilisant AMP et celles ne l'utilisant pas. Les données collectées sont exploitées via des notebooks pour des analyses approfondies.

Ce projet vise à analyser l'impact du framework AMP développé par Google sur la visibilité des résultats de recherche et sur les performances des pages web. Il contient des scripts de benchmark de référencement et de performance, ainsi que des notebooks permettant de comparer le rang d'apparition de résultats et les différences de performance.

PARAD (Performance Analysis Repository for Aadl Designs) est un framework en développement à LIAS, ENSMA. Il présente une nouvelle approche collaborative du problème de trouver des tests appropriés pour une conception de système, dirigée par l'expérience des concepteurs. L'approche consiste en la construction d'un dépôt d'analyse qui capitalise les efforts des analystes. Les analystes décrivent leurs analyses et les hypothèses accompagnatrices à l'aide des concepts de PARAD.

Ce projet propose une analyse multi-niveaux de l'utilisation des GPU dans les charges de travail d'entraînement en machine learning. Il compare les performances entre différents frameworks (TensorFlow, PyTorch) et outils de profilage (NVIDIA Nsight Compute). Les résultats sont présentés sous forme de figures et de rapports détaillés pour aider les chercheurs et ingénieurs à optimiser leurs modèles et infrastructures.

Ce projet permet de mesurer et analyser les performances computationnelles du framework SOFA. Il génère des statistiques de temps de calcul pour différentes scènes et branches, puis archive ces résultats. Un tableau de bord interactif permet de visualiser les données collectées, facilitant l'identification des régressions de performance et l'optimisation du code.

Ce projet propose un benchmark dédié à l'évaluation des performances de différentes implémentations de l'équation de réaction Gray-Scott utilisant le framework SYCL. Il permet de comparer des méthodes de gestion mémoire (buffers, malloc_shared, malloc_device) et d'analyser l'impact des architectures matérielles (CPU, iGPU, dGPU) sur les temps de calcul et la précision des résultats. Les données collectées aident à optimiser les performances des applications scientifiques intensives.

Framework open source dédié à l'analyse de sensibilité et à la simulation de problèmes physiques modélisés par des équations aux dérivées partielles (PDE). Il permet de comparer différents gestionnaires de ressources (RJMS) comme Slurm ou OAR3, et de générer des visualisations des résultats sous forme de vidéos. Utilisé principalement dans le domaine du calcul haute performance et de la recherche scientifique.

RDFNeo est un outil conçu pour convertir et exploiter des données au format RDF (Resource Description Framework) dans des bases de graphes Neo4j. Il facilite l'intégration de données sémantiques dans des environnements orientés graphes, permettant une analyse plus intuitive et performante des relations entre entités. Utilisé dans des domaines comme la recherche, l'industrie ou les sciences des données, il optimise les requêtes complexes et améliore la visualisation des réseaux sémantiques.

HiPeCTA est une bibliothèque Python dédiée à l'analyse haute performance des données du Cherenkov Telescope Array (CTA). Elle permet de traiter efficacement les données issues de simulations Monte-Carlo ou d'observations réelles, en exploitant les instructions SIMD des processeurs modernes. Son objectif est d'accélérer significativement les étapes de calibration, d'intégration, de nettoyage et de calcul des paramètres de Hillas, tout en s'intégrant au framework ctapipe pour une utilisation optimale dans la chaîne de traitement des données astrophysiques.

RNoC Simu est un cadre de simulation dédié aux routeurs R-NoC, basé sur le framework open-source HNOCS. Il permet de modéliser et d'analyser des réseaux sur puce (NoC) hétérogènes en utilisant le simulateur OMNeT++ comme moteur backend. L'outil facilite la validation de protocoles de communication et l'évaluation des performances des architectures de réseaux sur puce.