N2S3 est un simulateur de réseaux de neurones physiques permettant de modéliser différentes topologies de réseaux neuronaux avec divers modèles de synapses et de neurones. Il offre des outils pour simuler des processus d'apprentissage, analyser l'activité neuronale et tester des algorithmes bio-inspirés. Le projet inclut des exemples concrets comme la simulation de jeux de données MNIST ou FMNIST, et propose une interface pour configurer et déployer des expériences.

Projet dédié à la simulation de réseaux de neurones artificiels et à l'étude des règles d'apprentissage biologiques. Il permet de modéliser des comportements neuronaux pour des applications en neurosciences computationnelles et en intelligence artificielle. Les utilisateurs peuvent explorer des architectures neuronales et tester des hypothèses sur les mécanismes d'apprentissage.

Ce projet développe des réseaux de neurones artificiels homogènes pour étudier et simuler des architectures neuronales complexes. Il vise à améliorer la compréhension des mécanismes d'apprentissage et d'adaptation dans les systèmes intelligents. Les applications potentielles incluent la robotique, l'analyse de données et la modélisation cognitive. Le code est open source et collaboratif, permettant aux chercheurs et développeurs d'expérimenter et de contribuer aux avancées en IA.

RING-NeRF est un projet de recherche en informatique dédié à la reconstruction 3D de scènes et à la synthèse d'images réalistes en utilisant des réseaux de neurones. Il permet de modéliser des scènes complexes en utilisant des champs neuronaux, offrant ainsi des possibilités intéressantes pour les applications de réalité virtuelle et augmentée.

Ce projet utilise des réseaux de neurones pour résoudre le problème SMEPC (Smart Energy Management and Production Control). Il se concentre sur l'optimisation de la production énergétique en modélisant des sous-problèmes via des modèles séquentiels de réseaux de neurones, améliorant ainsi l'efficacité et la gestion intelligente des ressources.

Ce projet développe des outils avancés pour la modélisation et la simulation de réseaux de neurones profonds. Il vise à faciliter la recherche en intelligence artificielle en offrant des solutions pour l'entraînement, l'optimisation et l'évaluation de modèles prédictifs complexes. Destiné principalement aux chercheurs et ingénieurs en IA, il permet d'explorer des architectures innovantes et d'accélérer le développement de solutions basées sur l'apprentissage automatique.

Ce projet académique propose un parcours pédagogique complet pour initier les étudiants à l'intelligence artificielle et au machine learning. Il inclut des supports de cours, des notebooks interactifs et des exercices pratiques couvrant des sujets comme les régressions linéaires, les réseaux de neurones, les arbres de décision et les méthodes de régularisation. Destiné aux étudiants de l'Université Grenoble Alpes, il vise à renforcer leurs compétences en analyse de données et en modélisation prédictive.

Ce projet développe des outils pour concevoir et entraîner des réseaux de neurones à valeurs complexes. Ces réseaux permettent de modéliser des phénomènes nécessitant une représentation mathématique avancée, comme les signaux analytiques ou les systèmes dynamiques non linéaires. L'objectif est d'offrir une solution flexible pour des applications en traitement du signal, en physique théorique ou en apprentissage profond où les nombres complexes apportent un avantage significatif par rapport aux approches classiques.

VaMos est une solution dédiée à la modélisation et à l'analyse des structures vasculaires cérébrales à partir d'images médicales 3D. Elle permet de générer des modèles précis de bifurcations artérielles, d'ajouter des anévrismes intracrâniens pour des études cliniques, et de préparer des données pour l'entraînement de réseaux de neurones. L'outil est principalement utilisé dans le cadre de la recherche médicale et de l'imagerie cérébrale.

Ce projet utilise des réseaux de neurones pour apprendre et simuler des flux de courbure moyenne, un concept mathématique appliqué à la modélisation de l'évolution de formes géométriques. Il permet de reproduire des comportements dynamiques de surfaces, comme la minimisation d'énergie ou la résolution d'équations aux dérivées partielles, avec des applications en physique, biologie ou science des matériaux.