GPUVis est un outil d'analyse et de visualisation dédié à l'inspection des traces GPU. Il permet aux développeurs et aux ingénieurs de diagnostiquer les problèmes de performance, d'identifier les goulots d'étranglement et d'optimiser les pilotes graphiques. L'application offre une interface intuitive pour explorer les événements temporels, les latences et les interactions entre le matériel et les logiciels graphiques.

Outil de monitoring léger et sans base de données dédié à l'analyse des performances des GPU. Il permet de visualiser en temps réel ou de manière historique l'utilisation des ressources (pourcentage d'usage, mémoire, énergie, température, vitesse des ventilateurs) ainsi que les processus en cours. Conçu pour les administrateurs système ou les chercheurs en sciences sociales computationnelles, il facilite l'optimisation des infrastructures équipées de GPU.

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.

GPUSched est un ordonnanceur en temps réel dédié aux charges de travail sur GPU. Il permet d'optimiser l'utilisation des ressources graphiques en planifiant efficacement les tâches pour respecter les échéances et maximiser les performances. Adapté aux environnements nécessitant une gestion fine des ressources, il est particulièrement utile dans les systèmes embarqués ou les applications critiques où la latence et la réactivité sont essentielles.

Ce projet centralise des images Singularity/Apptainer destinées à des tests d'intégration continue sur la plateforme JeanZay. Les images, converties depuis des images Docker, intègrent des dépendances essentielles comme HDF5, NetCDF, parmetis et XIOS. Elles sont optimisées pour fonctionner avec différents compilateurs (GNU, Intel, NVidia) et architectures (CPU, GPU), facilitant ainsi la reproductibilité des tests dans un environnement de calcul haute performance.

Ce projet vise à optimiser les performances des calculs utilisant des stencils sur des architectures GPU. Il propose des outils et des méthodes pour accélérer les simulations scientifiques, notamment dans le domaine de la physique des particules. Les fonctionnalités incluent l'évaluation de produits de Hadamard, la factorisation de nombres et la gestion de matrices pour des calculs intensifs.

Projet académique dédié à la simulation numérique de phénomènes physiques complexes, notamment les écoulements de fluides, en exploitant les capacités de calcul des GPU. Il permet aux chercheurs et ingénieurs de modéliser des problèmes scientifiques avec une précision élevée et des performances optimisées, facilitant ainsi l'analyse et la compréhension de systèmes dynamiques dans divers domaines comme la mécanique des fluides ou la physique des plasmas.

Ce projet propose une analyse multi-niveaux de l'utilisation des GPU dans les charges de travail d'entraînement en machine learning. Il compare les performances entre différents frameworks (TensorFlow, PyTorch) et outils de profilage (NVIDIA Nsight Compute). Les résultats sont présentés sous forme de figures et de rapports détaillés pour aider les chercheurs et ingénieurs à optimiser leurs modèles et infrastructures.

OneAPI est une initiative open source visant à simplifier le développement d'applications performantes sur différentes architectures matérielles (CPU, GPU, FPGA). Elle permet aux développeurs de créer des logiciels portables et optimisés sans dépendre d'un seul fournisseur ou langage spécifique, favorisant ainsi l'innovation et l'efficacité dans le calcul haute performance et l'intelligence artificielle.

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.