Projet académique dédié à l'optimisation de code C++ et à la simulation de particules pour des applications scientifiques. Il propose des outils pour analyser et améliorer l'efficacité des algorithmes, ainsi que des méthodes de gestion mémoire adaptées aux calculs intensifs. Utilisé dans un cadre pédagogique pour former les étudiants aux bonnes pratiques de développement.

Ce projet participe à la compétition Google Hash Code 2021 en proposant des solutions algorithmiques pour optimiser la gestion des feux tricolores dans une ville. L'objectif est de réduire les temps d'attente des véhicules et d'améliorer la fluidité du trafic en analysant des plans de ville et des trajets prédéfinis. Les algorithmes développés permettent de calculer des séquences optimales pour les feux, maximisant ainsi le nombre de véhicules atteignant leur destination dans un délai imparti.

Projet de développement logiciel expérimental ou prototype technique sans cas d'usage métier identifié. Il semble s'agir d'un dépôt de code source dédié à des fonctions algorithmiques ou mathématiques avancées, comme des méthodes d'optimisation ou de calcul numérique.

Ce projet propose des outils pour simuler des réactions chimiques complexes comme le modèle Gray-Scott, en exploitant les capacités de calcul haute performance de Julia. Il inclut des implémentations CPU et GPU, des optimisations pour la compilation juste-à-temps et des benchmarks pour évaluer l'efficacité des algorithmes. Destiné aux chercheurs et ingénieurs en calcul scientifique, il facilite l'exploration de phénomènes physiques et chimiques à grande échelle.

PLIBS_9_PYTHON est une bibliothèque Python optimisée dédiée aux calculs scientifiques intensifs. Elle propose des fonctions avancées pour accélérer les opérations mathématiques comme les réductions de données, les produits matriciels (GEMM, GEMV) ou les calculs vectoriels. Utilisée principalement dans le domaine de la physique et de l'astrophysique, elle permet aux chercheurs et développeurs d'optimiser leurs algorithmes tout en simplifiant leur implémentation en Python.

Multi-ML est un langage de programmation fonctionnel conçu pour implémenter des algorithmes Multi-BSP au-dessus d'OCaml. Il combine l'abstraction élevée des langages ML avec les performances prévisibles et scalables du modèle multi-BSP, permettant de représenter des architectures hiérarchiques imbriquées pour des calculs parallèles optimisés.

Ce projet développe des algorithmes pour résoudre des problèmes d'optimisation combinatoire, notamment le bin packing. Il permet de déterminer comment regrouper des objets de différentes tailles dans un espace limité de manière optimale. Les solutions proposées incluent des méthodes de tri et des heuristiques pour améliorer l'efficacité des calculs.

MicroBenchmark est une bibliothèque C++ conçue pour faciliter l'évaluation et la comparaison des performances de fonctions ou d'algorithmes. Elle permet aux développeurs de mesurer l'efficacité de leurs implémentations en générant des rapports détaillés et des graphiques de performance. L'outil est particulièrement utile pour optimiser des calculs intensifs, comme les produits de Hadamard, et comparer l'impact de différentes options de compilation ou de configurations matérielles.

Outil dédié à l'évaluation et à la comparaison de modèles bayésiens et d'algorithmes statistiques. Il permet de mesurer les performances de différentes approches en termes de précision, de temps de calcul et de robustesse. Utilisé par des chercheurs et des data scientists pour valider des hypothèses ou optimiser des modèles avant leur déploiement en production.

Bibliothèque C++ dédiée à l'optimisation et à la gestion efficace des tenseurs, utilisée principalement dans le domaine de la physique et du calcul scientifique. Elle permet une allocation mémoire performante et des opérations tensorielle simplifiées, réduisant les coûts computationnels pour les algorithmes complexes. Intégrée dans des projets de recherche comme CTA, elle facilite le développement d'applications nécessitant des calculs intensifs.