Projet dédié à la gestion et à l'optimisation de clusters de calcul pour la recherche scientifique. Il facilite la publication et le partage de résultats sous forme d'articles ou de documents techniques, notamment via des infrastructures comme NixOS. Utilisé par des organismes publics de recherche pour accélérer les calculs intensifs.

Outil dédié à la décomposition et à la modélisation de cartes de densité obtenues par cryo-microscopie électronique (EM). Il permet de calculer des modèles de mélange gaussien (GMM) pour représenter des structures macromoléculaires complexes. Le projet utilise une approche par division et conquête pour optimiser les calculs, notamment sur des clusters de calcul haute performance. Les résultats sont convertis dans différents formats pour une intégration facile avec d'autres logiciels d'analyse structurale.

Ce projet automatise et optimise l'analyse de données biologiques, notamment pour la modélisation de pseudotemps cellulaire avec Monocle2. Il permet de calculer des milliers de modèles, d'analyser leurs topologies et de sélectionner les meilleurs. Il intègre également des analyses complémentaires comme le clustering basé sur UMAP et l'intégration avec des données WGCNA pour une interprétation biologique approfondie.

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 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.

Ce projet automatise le benchmarking des performances des environnements HPC basés sur Guix, notamment pour les clusters comme Plafrim. Il exécute des tests de bande passante MPI entre nœuds, compare différentes configurations (MPI, réseaux) et stocke les résultats dans une base de données. Les données sont ensuite analysées pour détecter des régressions et visualisées sous forme de graphiques. L'objectif est d'optimiser les performances des infrastructures de calcul haute performance.

Le projet kmama est une solution dédiée à la gestion et au déploiement de services géophysiques dans un environnement Kubernetes. Il permet d'automatiser la mise en production de ressources et d'orchestrer des clusters de calcul pour optimiser les performances et la disponibilité des services.

Outil dédié à la simulation et à l'analyse des systèmes de calcul haute performance. Il permet de modéliser les comportements des utilisateurs, d'optimiser l'ordonnancement des tâches et d'évaluer la consommation énergétique des infrastructures. Idéal pour les chercheurs et les administrateurs de clusters souhaitant améliorer l'efficacité des systèmes.

Bibliothèque et outil open source dédié au traitement et à l'analyse d'images 3D issues de scanners à tomographie. Il permet de manipuler, transformer et analyser des volumes d'images médicales ou scientifiques avec des algorithmes parallélisés et optimisés. Le projet inclut également des outils pour distribuer les calculs sur des clusters, facilitant le traitement de grands jeux de données.

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.