Projet académique visant à concevoir et entraîner des modèles de deep learning pour la conduite autonome de véhicules. Utilise un simulateur 3D pour valider les performances des algorithmes avant leur déploiement potentiel sur des véhicules réels. Permet aux étudiants de tester et d'optimiser des solutions d'intelligence artificielle dans un cadre sécurisé et contrôlé.

ModelCinetich est un outil dédié à la simulation et à l'analyse de modèles cinétiques pour les réactions chimiques et les processus industriels. Il permet aux chercheurs et ingénieurs de prédire le comportement des systèmes chimiques, d'optimiser les conditions de réaction et de valider des hypothèses expérimentales grâce à des simulations numériques avancées.

Ce projet permet de modéliser dynamiquement le comportement thermique de deux salles d'un bâtiment du campus de Rennes. Il intègre des données météo réelles et des modèles d'occupation pour simuler et analyser la consommation énergétique des locaux, facilitant ainsi l'optimisation des performances thermiques.

Ce projet développe des modèles de deep learning pour analyser et prédire les risques liés aux installations industrielles. Il permet d'identifier des scénarios critiques et d'optimiser les processus de maintenance préventive. Les modèles sont entraînés sur des données historiques et des simulations pour améliorer la sécurité et la fiabilité des infrastructures.

OMEGAlpes est une bibliothèque open source dédiée à la modélisation et à l'optimisation linéaire de systèmes énergétiques. Elle permet aux chercheurs, ingénieurs et décideurs de concevoir des modèles mathématiques pour analyser, simuler et optimiser des réseaux énergétiques complexes, en intégrant des données techniques, économiques et environnementales. L'outil facilite la prise de décision pour la transition énergétique et l'efficacité des infrastructures.

Bibliothèque de recherche développée dans le cadre des recherches de l'équipe COGIT concernant le traitement des réglementations urbaines. Elle fournit une implémentation d'un algorithme de simulated annealing multidimensionnel pour produire des configurations de bâtiments à partir d'un ensemble de boîtes contraintes par les réglementations urbaines qui optimisent une fonction d'utilité. Le projet est développé sur la bibliothèque GIS Open-Source 3D [GeOxygene]() pour les opérateurs géométriques et la visualisation 3D, [librjmcmc4j]() pour l'implémentation de simulated annealing et [simplu3d-rules]() pour la gestion du modèle géographique et des réglementations.

Ce projet développe un modèle de simulation et d'analyse des risques (SMSAR) pour les industries à haut risque. Il permet d'évaluer les scénarios d'accidents potentiels, d'optimiser les mesures de sécurité et de vérifier la conformité aux normes réglementaires. Les résultats aident les entreprises et les autorités à prendre des décisions éclairées pour réduire les risques industriels et protéger les populations et l'environnement.

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 se concentre sur l'optimisation des simulations fluides en utilisant la transformée en ondelettes discrète (DWT) pour une compression dynamique des données sur GPU. Il évalue les performances de différents algorithmes de compression et configurations de blocs pour améliorer l'efficacité mémoire et calculatoire. Les résultats sont utilisés pour valider des modèles numériques et réduire les coûts de stockage tout en préservant la précision des simulations.

GROG est un générateur générique de charges de travail conçu pour créer des jeux de données de tâches destinées à l'évaluation de systèmes de planification. Il s'appuie sur des modèles inspirés de données réelles issues de Google et permet de simuler des environnements cloud ou HPC. Les traces générées sont compatibles avec des simulateurs comme Batsim, facilitant ainsi l'analyse et l'optimisation des systèmes de gestion de ressources.