Annuaire des initiatives
Pertinence
Vous ne trouvez pas l'initiative qui correspond à votre besoin ? Notre assistant peut vous aider.
- Ce projet vise à optimiser et accélérer le calcul des impôts en France en simplifiant les formules fiscales complexes. Il analyse les dépendances entre variables pour déterminer un ordre d'exécution optimal, réduisant ainsi le temps de calcul. Le code propose plusieurs implémentations (vectorielle, TensorFlow, JavaScript) pour adapter les performances aux besoins. Les résultats sont utilisés pour améliorer l'efficacité des outils de simulation fiscale comme la calculette des impôts.
- Ce projet propose des outils et méthodes pour optimiser les performances de calculs scientifiques, notamment à travers des simulations numériques et des benchmarks. Il inclut des algorithmes de traitement de données, des structures de données adaptées et des techniques de parallélisation pour améliorer l'efficacité des calculs intensifs. Les cas d'usage ciblent principalement la recherche académique et les applications industrielles nécessitant des simulations précises et performantes.
- SProfile est un outil léger conçu pour analyser et afficher l'utilisation des ressources (CPU, RAM, GPU) à la fin d'un job Slurm. Il exploite les données déjà disponibles via les plugins cgroup et le mode accounting des pilotes NVIDIA, sans ajouter de surcharge. Idéal pour les administrateurs système et les utilisateurs souhaitant optimiser leurs calculs, il génère des rapports détaillés sur la consommation énergétique et les performances, facilitant ainsi la gestion des ressources dans les environnements HPC.
- Ce projet propose des outils et méthodes pour optimiser les calculs sur GPU, notamment pour des simulations scientifiques utilisant des algorithmes stencil. Il inclut des bibliothèques et des exemples de code pour évaluer les performances, gérer la mémoire et exploiter les architectures parallèles. Destiné aux chercheurs et étudiants en informatique scientifique, il facilite l'apprentissage et l'application des techniques de calcul haute performance.
- Ce projet propose des outils pour évaluer et optimiser les performances de calculs mathématiques, notamment des opérations matricielles et des fonctions numériques. Il inclut des implémentations de produits de Hadamard, de produits matriciels et de calculs de racines carrées, avec des versions optimisées pour différents niveaux de parallélisation et d'intrinsics processeur. Destiné aux développeurs et chercheurs en calcul scientifique.
- Notoriété 7 %Ce projet propose des outils pour générer des structures arborescentes optimisées destinées aux algorithmes de type QR/LQ sur des matrices hautes et étroites. L'objectif est de minimiser les communications entre processus tout en maximisant le parallélisme des calculs, ce qui améliore significativement les performances des calculs numériques intensifs.
- 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.
- Ce projet propose une formation pratique pour maîtriser l'utilisation du cluster Meso@LR, une infrastructure de calcul haute performance (HPC) destinée aux chercheurs et ingénieurs. Il inclut des exercices guidés pour apprendre à soumettre des jobs via Slurm, gérer les ressources du cluster et optimiser les performances des calculs. Le dépôt contient des ressources pédagogiques et des liens vers la documentation officielle pour faciliter l'autoformation des utilisateurs.
- Ce projet développe des outils pour effectuer des calculs parallèles intensifs en utilisant la bibliothèque MPI. Il permet notamment de traiter des données scientifiques (comme des transformées de Fourier rapides) sur des clusters de calculateurs, en optimisant les performances grâce à la parallélisation. Les fonctionnalités incluent la lecture et l'écriture de fichiers en parallèle, ainsi que la gestion de grands volumes de données pour des applications en physique ou en traitement du signal.
- Bibliothèque ou framework fournissant des outils pour interagir avec les API OpenCL, permettant d'exécuter des calculs parallèles sur des processeurs graphiques (GPU). Elle facilite le développement d'applications nécessitant des performances élevées pour des tâches comme le traitement d'images, les calculs scientifiques ou l'optimisation de calculs intensifs. Les fonctions incluent la gestion des noyaux de calcul, la lecture et l'écriture de fichiers, ainsi que des utilitaires pour mesurer les performances.
211 initiatives
10