Le projet gpu-hub permet de déployer une instance de JupyterHub sur Openstack à l'aide de Kubernetes, offrant ainsi un environnement de calcul distribué pour les charges de travail GPU. Il est conçu pour être utilisé de trois façons : via un notebook UST4HPC, une VM ust4hpc-jhub.univ-grenoble-alpes.fr ou une machine personnelle.

Ce projet consiste en la création de recettes Docker pour l'environnement de calcul parallèle StarPU. Il permet de créer des images Docker minimales pour la compilation de StarPU, ainsi que des images contenant une installation simple de StarPU avec le support MPI activé. Les images Docker créées peuvent détecter les GPU de la machine hôte et les utiliser pour le calcul parallèle.

Projet gpu_driver vise à fournir une gestion efficace des pilotes graphiques pour les systèmes utilisant des calculs GPU. Il s'intègre avec des conteneurs légers pour offrir des performances optimales.

Le projet nvidia_docker permet l'utilisation de GPU pour le calcul scientifique en exécutant des applications dans des conteneurs Docker. Il offre des fonctionnalités de compilation et d'exécution d'applications OpenGL et de création d'images Docker optimisées pour le calcul GPU.

Pattern4GPU est un projet qui permet de faire des simulations de calculs intensifs en utilisant des GPU. Il s'appuie sur le framework Arcane pour la gestion des simulations.

Ce projet vise à fournir aux étudiants un environnement de programmation facile à utiliser pour apprendre la programmation parallèle. L'idée est de paralléliser des calculs séquentiels sur des matrices 2D sur des plateformes multicoeurs et GPU. À chaque itération, la matrice actuelle peut être affichée, ce qui permet de vérifier visuellement la correction de la méthode de calcul.