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 fournit des images Docker et Singularity pour exécuter l'outil ENTERPRISE, dédié à l'analyse de données de chronométrie d'impulsions (Pulsar Timing Array). Il permet aux chercheurs de développer des algorithmes en local via Jupyter, puis de transférer et exécuter ces calculs sur des clusters pour des simulations astrophysiques complexes.

Le projet nxc-dyn-procs vise à faciliter l'utilisation de NixOS-Compose pour décrire et gérer des environnements de calcul parallèle distribué, en particulier pour l'exécution d'applications sur des clusters. Il permet de définir des compositions d'environnements, reproductibles et adaptées à différentes cibles (VM, Docker, Grid'5000), en utilisant des packages spécifiques tels que pmix, prrte, openmpi, miniapps et dyn_rm.

MiniClust Worker permet de déployer des nœuds de calcul dédiés à l'exécution de tâches de clustering et de simulations distribuées. Il s'intègre à une infrastructure existante pour renforcer les capacités de traitement de données massives, notamment dans des contextes de recherche ou d'analyse scientifique. Le projet facilite l'ajout de ressources de calcul sans nécessiter de configuration complexe.

Ce projet fournit un conteneur Singularity basé sur Ubuntu 18.04 LTS permettant d'intégrer et d'exécuter des outils de gestion de tâches HPC comme Slurm. Il facilite le déploiement de clusters légers en encapsulant les dépendances nécessaires, réduisant ainsi les conflits de configuration et simplifiant l'administration des ressources de calcul.

Ce projet fournit un guide pratique pour utiliser Singularity, un outil de conteneurisation, afin de créer des environnements isolés et reproductibles pour exécuter des calculs parallèles avec OpenMPI. Il s'adresse aux chercheurs et ingénieurs souhaitant déployer des applications MPI sur des clusters de calcul de manière simplifiée, sans les contraintes des machines virtuelles classiques. Le projet inclut des exemples concrets pour compiler et exécuter des programmes MPI dans des conteneurs, facilitant ainsi la reproductibilité et la portabilité des calculs.

Le projet hello-mpi vise à faciliter le développement et l'exécution d'applications parallèles sur des clusters de calcul haute performance. Il offre des fonctionnalités de gestion de workflows, d'optimisation de performances et de simulation de calculs distribués, permettant aux utilisateurs de tirer parti des ressources de calcul offertes par les clusters MPI.

Ce projet fournit des outils et des environnements configurés pour exécuter des calculs intensifs sur des clusters GPU. Il facilite la soumission de tâches de calcul scientifique, d'apprentissage automatique ou de simulation numérique via des images conteneurisées optimisées pour les architectures NVIDIA. Destiné aux chercheurs et ingénieurs, il permet d'exploiter efficacement les ressources GPU disponibles dans un cadre académique ou industriel.

Outil dédié à la génération automatisée de simulations de neutrinos atmosphériques pour la recherche en physique des particules. Il permet de configurer et d'exécuter des chaînes de traitement complexes sur des clusters de calcul, en gérant la soumission, le suivi et la récupération des résultats. Le projet facilite la production de grands volumes de données simulées pour des analyses scientifiques, avec une flexibilité adaptée à différents environnements de calcul.

Ce projet permet de mettre en place un environnement de calcul distribué pour traiter de grandes quantités de données. Il utilise Apache Hadoop pour le stockage distribué et Apache Spark pour l'exécution de programmes en Scala. Le système est conçu pour répartir les tâches sur plusieurs machines (un maître et deux esclaves) afin d'optimiser les performances et la scalabilité. Les données sont stockées dans HDFS et les calculs sont exécutés en parallèle sur les nœuds du cluster.