Bibliothèque C++ dédiée à la manipulation de structures arborescentes avec partage maximal (hash-consing). Elle permet de gérer des arbres immuables où deux structures identiques partagent le même pointeur, optimisant ainsi la mémoire et les performances. Elle inclut des outils pour les symboles, listes, ensembles, environnements, arbres récursifs et des primitives de réécriture. Utilisée notamment dans le compilateur Faust pour des analyses et transformations de syntaxe.

Outil conçu pour faciliter l'utilisation des frameworks de deep learning (TensorFlow et PyTorch) dans un environnement où les GPU sont partagés entre plusieurs utilisateurs. Il automatise la configuration des ressources GPU, permet de limiter la mémoire allouée par application et propose des stratégies d'allocation adaptées pour optimiser les performances et éviter les conflits.

Le projet H2M vise à optimiser l'utilisation de la mémoire dans les systèmes à mémoire distribuée et hétérogène. Il fournit une bibliothèque d'exécution et des exemples pour exploiter les architectures de mémoire partagée hétérogènes.

Moclodash est une solution dédiée à l'optimisation du clonage de modèles dans le cadre de l'Eclipse Modeling Framework (EMF). Elle permet de réduire significativement l'empreinte mémoire en partageant les données entre les instances clonées, tout en maintenant l'intégrité et la performance des modèles. Idéale pour les environnements nécessitant des opérations de clonage fréquentes ou massives.

Sciqlop-cache est une solution de cache clé-valeur rapide et persistante pour Python, conçue pour stocker et récupérer des objets coûteux à recalculer. Elle permet aux applications de partager des données entre plusieurs processus ou threads de manière sécurisée, sans corruption des données en cas de crash. Idéale pour les grands tableaux NumPy, elle optimise les performances en réduisant les temps d'accès et en limitant l'utilisation mémoire grâce à des mécanismes d'éviction automatique.

Ce projet fournit un module Python permettant de créer et gérer des buffers cycliques partagés pour des données NumPy. Il facilite l'échange de données entre processus en temps réel, optimisant ainsi la mémoire et les performances pour des applications scientifiques ou industrielles nécessitant un traitement continu de grands volumes de données.

Ce projet fournit des ressources pédagogiques pour les étudiants de l'ENSEEIHT en Sciences du Numérique. Il couvre deux matières principales : l'optimisation sans contraintes et les méthodes des différences finies pour les équations aux dérivées partielles (EDP). Les étudiants y trouvent des polycopiés, des travaux dirigés, des sujets de TP et des fichiers sources pour approfondir leurs connaissances.

Le projet optimisation vise à améliorer l'efficacité et la productivité des processus métiers grâce à l'automatisation et au suivi en temps réel. Il permet de simplifier les tâches répétitives, de détecter rapidement les goulets d'étranglement et de prendre des mesures correctives.

Le projet Optimisation vise à améliorer l'efficacité et la productivité des processus métiers grâce à l'automatisation et la gestion de workflows. Il permet de simplifier et d'accélérer les tâches répétitives, offrant ainsi un gain de temps et une meilleure qualité de travail.