Ce projet propose une implémentation en C++ de l'algorithme Benders by batch, conçu pour résoudre des programmes stochastiques linéaires à deux étages. Il permet d'optimiser des problèmes complexes en découpant les sous-problèmes et en appliquant des techniques de stabilisation pour améliorer la convergence. Initialement développé pour des applications dans la gestion de réseaux électriques, il est également utilisé dans des contextes nécessitant une résolution efficace de problèmes d'optimisation sous incertitude.

Ce projet permet de déployer et gérer des infrastructures informatiques complexes de manière automatisée. Il facilite la configuration de clusters Kubernetes, le déploiement de réseaux 5G, et la sécurisation des accès via des secrets chiffrés. Les outils intégrés automatisent les tâches DevOps pour optimiser les opérations techniques et réduire les erreurs humaines.

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.

Ce projet développe des méthodes pour compresser progressivement les couches de réseaux de neurones convolutifs à impulsions, réduisant leur complexité tout en préservant leurs performances. Il permet de simuler des architectures neuronales avancées, d'extraire et d'adapter les poids pour des déploiements sur des plateformes matérielles spécialisées comme SpiNNaker. Les outils proposés facilitent l'optimisation et le transfert de modèles entre différents environnements de simulation et de calcul.

Ce projet développe des modèles de réseaux de neurones dédiés à la correction de phase dans des systèmes optiques complexes, notamment pour des réseaux de lasers. Il permet de simuler des mesures, d'entraîner des algorithmes d'apprentissage automatique pour optimiser la qualité des faisceaux lumineux, et de générer des données synthétiques pour des applications en photonique. Les outils proposés facilitent la recherche et l'expérimentation dans le domaine de l'optique adaptative.

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.

Musette est une bibliothèque R dédiée à l'analyse avancée de réseaux et de graphes. Elle permet de modéliser des relations complexes entre entités, d'optimiser des scores de performance et de visualiser des structures de données sous forme de graphes interactifs. Utilisée pour des études statistiques ou des recherches opérationnelles, elle facilite la détection de communautés, l'évaluation de chemins critiques et l'exploration de données multidimensionnelles.

Kc-cncs est un outil dédié à la gestion et à l'automatisation des configurations réseau et des infrastructures cloud. Il permet aux équipes techniques de déployer, surveiller et maintenir des environnements complexes de manière centralisée et sécurisée. Le projet facilite la cohérence des configurations, réduit les erreurs manuelles et optimise les processus DevOps.

ELSA est une bibliothèque R dédiée à la modélisation et à l'analyse de graphes pondérés. Elle permet de générer des pools de données perturbées, d'apprendre des composants de modèles arborescents à partir de graphes, et de combiner ces composants pour créer des modèles composites optimisés. Utilisée pour l'exploration de réseaux complexes, elle facilite la détection de structures significatives et l'agrégation de résultats.

Ce projet permet d'analyser et d'extraire des motifs spécifiques dans des réseaux ou des graphes, notamment pour identifier des chemins caractéristiques ou des structures récurrentes. Il facilite l'étude des relations entre entités et l'optimisation de flux, utile dans des domaines comme la logistique, la biologie ou l'informatique théorique. Les outils développés aident à transformer des données complexes en informations exploitables pour la prise de décision.