Ce projet fournit un kit de développement pour optimiser et accélérer les applications haute performance (HPC) sous CentOS 7. Il inclut des outils et bibliothèques pour faciliter l'intégration d'APIs, améliorer les performances des calculs intensifs et simplifier le déploiement dans des environnements de calcul scientifique ou industriel.

Ce projet propose un environnement conteneurisé léger et optimisé pour Python 3.10, intégrant PyTorch 1.13.1 avec support CUDA 11.7. Il facilite le déploiement de solutions d'apprentissage automatique et de calcul scientifique en réduisant les dépendances inutiles. Destiné aux chercheurs et développeurs, il permet une installation rapide et reproductible des outils nécessaires pour exploiter les GPU NVIDIA.

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 dépôt centralise les recettes de compilation (packages) pour Spack, un gestionnaire de paquets dédié aux environnements de calcul haute performance (HPC). Il permet aux équipes comme celle du CEA-HPC de partager et maintenir des configurations logicielles optimisées pour les supercalculateurs. Les utilisateurs peuvent ainsi facilement intégrer ces paquets dans leurs environnements Spack pour accélérer le déploiement de logiciels scientifiques.

Ce projet propose une formation spécialisée pour maîtriser l'utilisation de Python dans le domaine du calcul haute performance (HPC). Il couvre les techniques d'optimisation, de profilage et de parallélisation pour exploiter pleinement les capacités des infrastructures de calcul intensif. Destiné aux chercheurs et ingénieurs, il inclut des modules pratiques sur les bibliothèques scientifiques et le déploiement sur des environnements HPC.

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.

Outil dédié à l'automatisation et à l'optimisation des workflows de développement pour des projets scientifiques. Il facilite la gestion des dépendances, la compilation et l'exécution de scripts ciblés, notamment pour des environnements nécessitant des calculs intensifs ou des traitements de données avancés.

Ce dépôt centralise des tests dédiés aux infrastructures de calcul haute performance (HPC) gérées par le CINES. Il permet d'évaluer les performances, la fiabilité et la stabilité des systèmes HPC à travers des scripts de test couvrant la mémoire, les entrées/sorties, les communications réseau et la gestion des jobs. Ces tests sont conçus pour valider et optimiser les environnements de calcul scientifique utilisés par la communauté académique et de recherche en France.

LibPFASST est une bibliothèque logicielle dédiée à la résolution de problèmes mathématiques complexes, notamment les équations différentielles partielles. Elle permet de simuler des systèmes physiques ou chimiques en utilisant des méthodes numériques avancées comme les méthodes de décomposition de domaine. Utilisée dans des environnements de calcul intensif, elle optimise les performances des simulations pour des applications scientifiques ou industrielles.

Ce projet propose des sous-routines d'algèbre linéaire dense optimisées pour des architectures hétérogènes et distribuées. Il vise à accélérer les calculs mathématiques intensifs, notamment dans des environnements nécessitant une grande puissance de traitement comme le calcul scientifique ou l'analyse de données massives. Les performances sont améliorées grâce à une parallélisation adaptée aux ressources disponibles.