Ce projet développe des outils pour entraîner et simuler des réseaux de neurones distribués, permettant d'optimiser des modèles d'apprentissage automatique à grande échelle. Il facilite l'analyse de données complexes et la simulation de scénarios pour améliorer les performances des algorithmes d'intelligence artificielle.

Le modèle structural agnostique (SAM) est une méthode de découverte de causalité. Il utilise des indépendances conditionnelles et des asymétries de distribution pour trouver la structure causale sous-jacente à partir de données observationnelles. L'approche repose sur un jeu entre différents joueurs estimant chaque distribution de variable conditionnellement aux autres sous forme de réseau de neurones et un adversaire visant à discriminer les données générées contre les originales. L' critère d'apprentissage de SAM combine l'estimation de distribution, des contraintes de parcimonie et d'acyclicité pour optimiser la structure et les paramètres du graphe grâce à la descente de gradient stochastique.

OpenMOLE est une plateforme open-source développée depuis 2008 pour l'étude et l'optimisation de modèles numériques. Elle offre des outils pour exécuter, explorer, diagnostiquer et optimiser des modèles, en tirant parti d'environnements d'exécution distribués. Avec OpenMOLE, vous pouvez explorer des modèles déjà développés dans divers langages (Java, exécutables binaires, NetLogo, R, SciLab, Python, C++, etc.).

Artiscales OpenMole est une plateforme open source dédiée à la simulation et à l'optimisation de modèles scientifiques. Elle permet aux chercheurs et ingénieurs de concevoir, tester et améliorer des modèles complexes en exploitant des ressources de calcul distribuées. L'outil facilite la collaboration entre équipes et accélère la découverte en automatisant des tâches répétitives et en analysant des données à grande échelle.

EASEA est une plateforme open source dédiée à la spécification et à l'exécution d'algorithmes évolutifs. Elle permet aux chercheurs de concevoir facilement des algorithmes d'optimisation pour résoudre des problèmes scientifiques variés (continus, discrets, combinatoires, etc.). Grâce à son modèle d'îlots embarqué, elle exploite des ressources distribuées (clusters, cloud, GPGPU) pour accélérer les calculs, offrant des gains de performance significatifs.

Outil de vérification et de test pour évaluer la cohérence des bases de données relationnelles et distribuées. Il génère des historiques de transactions, les exécute sur des bases de données cibles, puis vérifie leur conformité à des modèles de cohérence comme la causalité, l'isolation instantanée ou la sérialisation. Utilisé principalement dans la recherche académique et l'optimisation des systèmes transactionnels.

FlowVR est une bibliothèque middleware permettant de faciliter le développement et l'exécution d'applications haute performance interactives nécessitant l'exploitation de la puissance de nœuds informatiques distribués en grappe ou en grid. FlowVR a été utilisé pour des applications de réalité virtuelle, de téléprésence, de modélisation 3D en temps réel, de visualisation in situ, de pilotage de simulations moléculaires parallèles, etc. FlowVR réutilise et étend le paradigme de flux de données couramment utilisé dans les environnements de visualisation scientifique. Une application est vue comme un ensemble éventuellement distribué de modules échangeant des données. Différentes assemblées de modules peuvent être spécifiées sans modification ou recompilation des modules. Le développeur d'applications n'a pas à se soucier des problématiques de réseau. C'est le rôle de FlowVR de gérer et d'optimiser les échanges de données entre modules. FlowVR supporte les modules parallèles, permettant d'exploiter des codes MPI existants par exemple. Cette fonctionnalité est couramment utilisée pour la visualisation in situ ou le pilotage de simulations parallèles.

DataFitterLib est une bibliothèque logicielle permettant de réaliser des ajustements de courbes de données, des estimations de paramètres de distributions, du filtrage de bruit dans les données et de la modélisation de données physiques. Elle offre une grande variété de fonctions de fitting et de méthodes d'optimisation pour répondre aux besoins de différents domaines d'application.

Ce projet vise à concevoir et optimiser un écosystème logiciel pour la gestion et l'exécution de workflows scientifiques, notamment dans le domaine de la recherche. Il permet de modéliser des tâches complexes, de les organiser en graphes dirigés, et de les exécuter de manière distribuée ou séquentielle. L'objectif est d'améliorer l'efficacité des processus expérimentaux en automatisant les enchaînements de calculs et en facilitant leur suivi.

B+E est un outil d'analyse et d'optimisation de processus métier et de systèmes, permettant la modélisation et l'analyse de données complexes. Il est basé sur la version 3.0 de Glucose et est distribué sous licence MIT.