Ce projet permet de créer et gérer des environnements MATLAB dans des conteneurs Docker et Singularity pour des pipelines d'intégration continue. Il automatise la construction, le taggage et le déploiement d'images Docker depuis des registres privés ou publics, tout en facilitant leur conversion en conteneurs Singularity pour une utilisation locale ou sur des infrastructures de calcul. Idéal pour les équipes souhaitant standardiser leurs environnements MATLAB tout en optimisant leurs processus de développement et de test.

Ce projet fournit des outils pour créer et déployer des images Singularity des pipelines scientifiques du LSST (Large Synoptic Survey Telescope). Il permet de transformer des images Docker officielles en conteneurs Singularity, facilitant ainsi leur utilisation dans des environnements de calcul intensif comme ceux du CERN ou des centres de données astronomiques. Les images générées sont déployées sur des infrastructures dédiées pour une utilisation par la communauté scientifique.

Ce projet fournit des outils pour créer et déployer des images conteneurisées des pipelines scientifiques du LSST (Large Synoptic Survey Telescope). Il permet de transformer des images Docker officielles en images Apptainer, facilitant ainsi leur utilisation dans des environnements de calcul intensif comme ceux du CERN ou des centres de données dédiés à l'astronomie. Les images générées sont déployées sur des infrastructures partagées pour une utilisation collaborative par la communauté scientifique.

Ce projet propose une formation spécialisée en calcul haute performance (HPC) avec Python, destinée aux développeurs et chercheurs. Il couvre l'optimisation de code, l'analyse de performance, l'utilisation de bibliothèques scientifiques (NumPy, SciPy, Pandas) et les outils de parallélisation. Les participants apprennent à exploiter les fonctionnalités de Python pour des calculs intensifs et à déployer des solutions sur des infrastructures HPC.

Ce projet propose une formation spécialisée pour maîtriser l'utilisation de Python dans le domaine du calcul haute performance (HPC). Il couvre les techniques d'optimisation, de profilage et de parallélisation pour exploiter pleinement les capacités des infrastructures de calcul intensif. Destiné aux chercheurs et ingénieurs, il inclut des modules pratiques sur les bibliothèques scientifiques et le déploiement sur des environnements HPC.

Eigen est un wrapper PID pour la bibliothèque Eigen, offrant une interface simplifiée pour l'algèbre linéaire et la programmation matricielle en C++. Il permet aux développeurs d'intégrer facilement des fonctionnalités avancées de calcul matriciel dans leurs projets, en s'appuyant sur une infrastructure de build et de déploiement robuste. Ce projet est développé dans un contexte académique et de recherche, notamment au CNRS et au LIRMM.

Eigen est un wrapper PID pour le projet externe Eigen, offrant une interface simplifiée pour l'algèbre linéaire et la programmation matricielle en C++. Développé par le CNRS et le LIRMM, il permet aux développeurs d'intégrer facilement des fonctionnalités avancées de calcul matriciel dans leurs projets, en s'appuyant sur une infrastructure de build et de déploiement robuste.

Ce projet fournit des fichiers et configurations nécessaires pour installer et gérer des bases de données MySQL dédiées aux simulations scientifiques. Il inclut des scripts pour créer, configurer et administrer des bases de données de calibration, ainsi que des instructions pour déployer ces environnements sur des infrastructures de calcul. Destiné aux chercheurs et ingénieurs en physique ou simulation, il facilite la reproductibilité des expériences.

Projet de formation et d'outils pour la création, la gestion et l'exécution de conteneurs Singularity v3. Destiné aux environnements HPC, il permet de packager des applications dans des conteneurs sécurisés et reproductibles, facilitant leur déploiement et leur utilisation sur des infrastructures de calcul haute performance. Inclut des recettes pour des applications scientifiques et des méthodes d'intégration continue.

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.