Le projet Turbo décodeur au-delà du Gbps sur multi-cœurs CPU est conçu pour optimiser les performances de décodage de données à des débits supérieurs au Gbps. Il exploite la puissance de traitement parallèle des processeurs multi-cœurs pour améliorer la vitesse et réduire la latence de décodage. Le décodeur prend en charge le décodage simultané de plusieurs flux de données, offrant une solution flexible et efficace pour les applications exigeantes en matière de traitement de données haute vitesse.

Projet de recherche et développement dédié à la simulation numérique et à l'analyse de données géophysiques. Il permet de modéliser des phénomènes climatiques, océaniques ou atmosphériques en utilisant des algorithmes avancés de calcul scientifique. Le projet intègre des outils pour le traitement parallèle et la visualisation des résultats, facilitant ainsi la compréhension des interactions complexes entre différents paramètres environnementaux.

ProcessLib est une bibliothèque logicielle dédiée au traitement et à l'analyse d'images scientifiques, notamment pour les applications en imagerie synchrotron. Elle permet de manipuler des données expérimentales, d'appliquer des corrections d'images, de détecter des pics ou des régions d'intérêt, et de gérer des tâches de calcul en parallèle. Utilisée dans des environnements de recherche, elle facilite l'extraction et l'interprétation de données issues d'expériences complexes.

Outil open source conçu pour automatiser et orchestrer des workflows d'analyse d'imagerie cérébrale fonctionnelle (IRMf). Il permet de construire des chaînes de traitement à partir de descriptions de configurations, d'exécuter ces workflows en parallèle sur des clusters de calcul, puis de post-traiter les résultats pour en extraire des statistiques et des corrélations. Destiné aux chercheurs et cliniciens en neurosciences, il facilite la reproductibilité et l'analyse comparative des données.

Ce projet développe des outils pour le calcul scientifique parallèle utilisant MPI, notamment pour le traitement de données via FFTW3 et la gestion de fichiers en parallèle. Il inclut des bibliothèques pour l'écriture et la lecture de grands jeux de données, ainsi que des méthodes de compression adaptées aux environnements haute performance. Les applications visent à optimiser les performances des calculs intensifs dans des contextes de recherche ou d'ingénierie.

Parallel-ATL est un projet d'outillage pour la transformation de modèles et de données, offrant une approche parallèle pour améliorer les performances de traitement. Il permet l'automatisation de workflows métiers, l'intégration de systèmes hétérogènes, la génération de code à partir de modèles et la transformation de données structurées.

Ce projet automatise le traitement de fichiers génomiques en découpant des séquences FASTA et en exécutant des requêtes BLAST en parallèle. Il permet d'optimiser les analyses génomiques en réduisant le temps de calcul grâce à une parallélisation efficace sur des infrastructures de calcul haute performance comme SLURM. Destiné aux chercheurs et laboratoires en biologie moléculaire, il facilite l'exploration de grandes bases de données génétiques.

Bibliothèque C++ dédiée à la gestion de travaux multithreadés pour le traitement de données scientifiques. Elle permet d'optimiser les calculs parallèles et de surveiller les modifications de fichiers en temps réel. Utilisée principalement dans des environnements de recherche comme l'IN2P3, elle facilite l'exécution de tâches complexes en parallèle tout en assurant une gestion efficace des ressources.

Melissa est un framework open source conçu pour optimiser les analyses de sensibilité et l'entraînement de modèles de deep learning à très grande échelle sur supercalculateurs. Il élimine le besoin de stocker des fichiers intermédiaires en traitant les données en transit, permettant ainsi de gérer des études impliquant des milliers de simulations parallèles sans surcharge de stockage. Le système coordonne des simulations numériques, des calculs statistiques et des entraînements de réseaux de neurones de manière efficace et résiliente.

Cette école internationale propose une formation intensive en programmation avancée pour les domaines de l'astrophysique et de l'astroparticule. Elle couvre l'utilisation de bibliothèques scientifiques Python comme NumPy, Pandas et Matplotlib, ainsi que des outils pour le calcul parallèle et le traitement de données. Destinée aux chercheurs et étudiants, elle combine cours théoriques et sessions pratiques pour renforcer les compétences en développement logiciel scientifique.