Projet dédié à la réalisation de calculs scientifiques complexes pour des chercheurs, ingénieurs ou industriels. Il permet de modéliser des phénomènes physiques, d'analyser des données expérimentales et de simuler des scénarios pour valider des hypothèses ou optimiser des processus. Les résultats sont utilisés pour la recherche fondamentale, le développement technologique ou l'innovation industrielle.

Projet pédagogique visant à démocratiser l'accès aux supercalculateurs via un MOOC (Massive Open Online Course). Il propose une formation structurée en trois semaines pour maîtriser les bases du calcul haute performance, l'optimisation des ressources et la programmation parallèle avec OpenMP et MPI. Destiné aux chercheurs, industriels et étudiants, ce projet vise à renforcer les compétences locales en calcul scientifique et à faciliter l'utilisation des infrastructures régionales.

Projet dédié à l'optimisation de calculs mathématiques avancés, notamment pour des applications en physique et en traitement de données. Il propose des outils pour évaluer et simplifier des expressions algébriques, des produits matriciels et des calculs de barycentres, facilitant ainsi l'analyse et la modélisation dans des contextes scientifiques ou industriels.

Ce projet propose des outils pour optimiser les calculs mathématiques intensifs, notamment via des produits de Hadamard et des produits matriciels. Il inclut des implémentations de base, vectorisées et intrinsèques pour évaluer des fonctions et des opérations sur des matrices, destinées à améliorer les performances des calculs numériques dans des environnements scientifiques ou industriels.

Ce projet fournit des outils et des environnements configurés pour exécuter des calculs intensifs sur des clusters GPU. Il facilite la soumission de tâches de calcul scientifique, d'apprentissage automatique ou de simulation numérique via des images conteneurisées optimisées pour les architectures NVIDIA. Destiné aux chercheurs et ingénieurs, il permet d'exploiter efficacement les ressources GPU disponibles dans un cadre académique ou industriel.

Ce projet centralise des ressources pédagogiques dédiées au calcul scientifique et à l'optimisation des performances. Il propose des tutoriels sur des thèmes variés comme le profilage, la vectorisation, l'utilisation d'accélérateurs (OpenCL, Kokkos) ou encore le calcul intensif (OpenMP, MPI). Il couvre également des outils modernes comme TensorFlow, Spark ou HDF5 pour la science des données et l'apprentissage automatique.

Ce projet propose une formation spécialisée en calcul haute performance (HPC) avec Python, destinée aux développeurs et chercheurs. Il couvre l'optimisation de code, l'analyse de performance, l'utilisation de bibliothèques scientifiques (NumPy, SciPy, Pandas) et les outils de parallélisation. Les participants apprennent à exploiter les fonctionnalités de Python pour des calculs intensifs et à déployer des solutions sur des infrastructures HPC.

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.

Pyseafuel est une bibliothèque Python conçue pour simplifier la gestion et l'analyse de données scientifiques. Elle propose des outils intégrés pour automatiser la génération de documentation technique, faciliter le partage de résultats et optimiser les calculs numériques. Destinée aux chercheurs et ingénieurs, elle permet de centraliser les processus analytiques tout en garantissant une meilleure reproductibilité des travaux.

OpenBLAS est une bibliothèque logicielle open source dédiée à l'accélération des calculs d'algèbre linéaire. Elle fournit des routines optimisées pour les opérations matricielles et vectorielles, améliorant significativement les performances des applications scientifiques, d'ingénierie ou de data science. Utilisée dans de nombreux domaines comme la simulation numérique ou l'intelligence artificielle, elle permet de réduire les temps de calcul tout en restant compatible avec les standards du calcul scientifique.