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 automatise le traitement de fichiers génomiques en découpant des séquences FASTA et en exécutant des requêtes BLAST en parallèle. Il permet d'optimiser les analyses génomiques en réduisant le temps de calcul grâce à une parallélisation efficace sur des infrastructures de calcul haute performance comme SLURM. Destiné aux chercheurs et laboratoires en biologie moléculaire, il facilite l'exploration de grandes bases de données génétiques.

Parallel Colt est un plugin pour le logiciel d'analyse d'images biologiques Icy. Il fournit une bibliothèque complète de fonctionnalités pour le traitement d'images en parallèle, ainsi que des outils pour les calculs mathématiques intensifs et l'optimisation numérique. Il est développé par des membres ou anciens membres de l'unité d'analyse d'images biologiques de l'Institut Pasteur.

PhoenixThread est une bibliothèque C++ conçue pour faciliter la gestion de tâches parallèles et l'exécution de commandes système de manière optimisée. Elle permet aux développeurs d'orchestrer des processus en arrière-plan, de suivre leur état et de gérer efficacement les ressources disponibles. Idéale pour les applications nécessitant des calculs intensifs ou des traitements asynchrones, elle simplifie le développement multithread tout en offrant des outils pour le suivi et la synchronisation des tâches.

Projet pédagogique visant à démocratiser l'accès aux supercalculateurs via un MOOC (Massive Open Online Course). Il propose une formation structurée en trois semaines pour maîtriser les bases du calcul haute performance, l'optimisation des ressources et la programmation parallèle avec OpenMP et MPI. Destiné aux chercheurs, industriels et étudiants, ce projet vise à renforcer les compétences locales en calcul scientifique et à faciliter l'utilisation des infrastructures régionales.

Ce dépôt contient des tutoriels sur la programmation parallèle, conçus pour fonctionner avec Python et des modules tels que numpy et scipy. Les tutoriels couvrent l'utilisation de POSIX Threads, SIMD, OpenMP, CUDA et OpenCL pour le calcul parallèle et l'optimisation de code.

Ce projet propose des ressources et tutoriels pour maîtriser le langage Rust et optimiser des codes C++. Il inclut des exemples concrets de simulation scientifique, des outils de visualisation de traces GPU/CPU, et des benchmarks pour comparer les performances entre différentes implémentations. Destiné aux développeurs et chercheurs, il facilite l'apprentissage des bonnes pratiques en programmation parallèle et l'utilisation de Vulkan pour le calcul haute performance.

GeoFluids est un écosystème de packages logiciels dédiés à la simulation numérique des fluides géophysiques, avec une attention particulière portée aux écoulements atmosphériques. Il vise à offrir une grande extensibilité et une performance de calcul élevée, notamment grâce à des implémentations en Julia optimisées pour atteindre plusieurs GFlops sur des CPU standards. Les fonctionnalités incluent le multithreading, le support GPU via CUDA.jl et une roadmap pour le parallélisme MPI.

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.

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.