Projet pédagogique dédié à l'apprentissage des techniques de calcul intensif sur GPU. Il propose des exercices pratiques pour comprendre le parallélisme, l'optimisation de code et l'utilisation des bibliothèques dédiées. Destiné aux étudiants en informatique ou aux développeurs souhaitant se former aux architectures GPU.

Ce projet centralise des images Singularity/Apptainer destinées à des tests d'intégration continue sur la plateforme JeanZay. Les images, converties depuis des images Docker, intègrent des dépendances essentielles comme HDF5, NetCDF, parmetis et XIOS. Elles sont optimisées pour fonctionner avec différents compilateurs (GNU, Intel, NVidia) et architectures (CPU, GPU), facilitant ainsi la reproductibilité des tests dans un environnement de calcul haute performance.

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.

Ce projet propose des outils et méthodes pour optimiser les calculs intensifs sur GPU, notamment dans le domaine de la simulation scientifique. Il inclut des bibliothèques et frameworks dédiés à l'accélération des traitements parallèles, ainsi que des ressources pédagogiques pour former les utilisateurs à ces technologies. Destiné aux chercheurs et ingénieurs, il facilite la mise en œuvre de solutions haute performance pour des applications variées.

Projet académique dédié à la simulation numérique de phénomènes physiques complexes, notamment les écoulements de fluides, en exploitant les capacités de calcul des GPU. Il permet aux chercheurs et ingénieurs de modéliser des problèmes scientifiques avec une précision élevée et des performances optimisées, facilitant ainsi l'analyse et la compréhension de systèmes dynamiques dans divers domaines comme la mécanique des fluides ou la physique des plasmas.

Ce projet propose un environnement conteneurisé léger et optimisé pour Python 3.10, intégrant PyTorch 1.13.1 avec support CUDA 11.7. Il facilite le déploiement de solutions d'apprentissage automatique et de calcul scientifique en réduisant les dépendances inutiles. Destiné aux chercheurs et développeurs, il permet une installation rapide et reproductible des outils nécessaires pour exploiter les GPU NVIDIA.

Ce projet propose une image Docker légère basée sur CentOS 7, intégrant Miniconda, PyTorch avec CUDA 11.3 et JupyterLab. Destiné aux environnements de développement et d'intégration continue, il permet aux chercheurs et développeurs de créer des notebooks interactifs pour l'apprentissage profond. L'image est optimisée pour les calculs accélérés par GPU et est hébergée sur l'infrastructure interne du Pasteur Institute.

Projet pédagogique et technique dédié à l'étude des calculs parallèles sur GPU. Il permet aux étudiants et chercheurs d'expérimenter des algorithmes intensifs en calcul, d'optimiser des performances et de comprendre les architectures matérielles modernes. Utilisé dans un cadre académique pour des travaux dirigés ou des projets de recherche.

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.

Projet logiciel open source dédié à l'optimisation et à la gestion des ressources entre processeurs (CPU) et unités de traitement graphique (GPU). Permet d'améliorer les performances des applications intensives en calcul.