résultats de l'appel à projets NumPEx
Le programme NumPEx lance son premier appel à projets afin de soutenir les avancées dans les domaines du calcul haute performance (HPC), de l’analyse de données haute performance (HPDA) et de l’intelligence artificielle (IA). Notre programme de recherche « France 2030 » vise à développer des logiciels capables de faire fonctionner les futures machines exascale, ainsi qu’à préparer les principaux codes d’application scientifiques et industriels.
Cet appel à projets s’articule autour de trois axes :
- Méthodes, algorithmes et logiciels d’IA émergents pour le calcul scientifique et le calcul intensif pour l’IA.
- Modèles de programmation pour architectures accélérées.
- Flux de travail pour l’analyse de données scientifiques, avec le projet SKA comme cas d’utilisation.
DAIMOS - Optimisation de l'entraînement des modèles d'IA distribués à grande échelle
Responsable du projet: Julien Herrmann, chercheur au CNRS
L’entraînement de modèles d’IA à grande échelle pose des défis majeurs, notamment en termes de coût de l’
s de calcul et d’efficacité énergétique. Ce projet s’attache à résoudre ces problèmes en développant une nouvelle pile logicielle
dédiée à l’apprentissage profond à grande échelle, fondée sur une intégration étroite des avancées algorithmiques, de l’optimisation de l’
au niveau des systèmes et de cas d’utilisation concrets. Il s’inscrit directement dans les priorités du programme PEPR NumPEx
consacré au calcul haute performance (HPC) pour l’IA.
SAGe-HPC - Stratégies intelligentes pour l'optimisation multi-fidélité dans les environnements de calcul haute performance (HPC) à l'exascale
Responsable du projet : Laëtitia Giraldi, chercheuse à l’Inria
Le projet SAGE-HPC vise à développer une plateforme logicielle évolutive, ouverte et interopérable destinée à l’optimisation par «
» à plusieurs niveaux de fidélité de problèmes physiques complexes dans des environnements de calcul haute performance (HPC) à l’exascale.
La résolution de ces problèmes d’optimisation constitue un défi scientifique majeur en raison de la complexité
des phénomènes physiques en jeu et du coût de calcul associé aux simulations à haute fidélité.
Pour relever ce défi, le projet s’appuie à la fois sur l’utilisation coordonnée de modèles à fidélité variable —
où des modèles simplifiés et peu coûteux guident l’exploration de l’espace des solutions, tandis que des modèles haute fidélité sont
utilisés de manière sélective pour affiner les résultats — et sur l’exploitation massive de ressources HPC exascale, permettant
un traitement parallèle à grande échelle de ces approches.
KOKTAILS - Kokkos : la traduction et l'interopérabilité au service des logiciels
Responsable du projet : Stéphane de Chaisemartin, ingénieur à l’IFPEN
Le projet KOKTAILS vise à améliorer la portabilité des logiciels de simulation sur les architectures d’
s de calcul exascale, en contribuant au développement d’une pile logicielle souveraine adaptée aux supercalculateurs basés sur des GPU de type «
». Il s’inscrit dans la stratégie NumPEx du PEPR et contribue à la souveraineté numérique de l’
e française dans le domaine du calcul haute performance (HPC). Il comprend le développement d’un middleware évolutif
afin de garantir la portabilité des performances sur diverses architectures GPU, y compris les processeurs européens
tels que SiPearl Rhea. Le projet contribue ainsi à la transition des applications existantes
vers le calcul exascale, grâce à la création d’un écosystème open source conforme à la politique européenne de souveraineté
.
ASTRA - Tâches avancées FR-SRC et allocation des ressources
Responsable du projet : Marc-Antoine Miville-Deschênes, chercheur au CNRS
Ce projet de recherche porte sur la transformation majeure en cours dans le domaine de la radioastronomie, portée par des observatoires de nouvelle génération tels que LOFAR 2.0 et le SKA. Ces instruments génèrent des ensembles de données volumineux et hétérogènes, répartis sur plusieurs sites, qui ne peuvent être traités efficacement à l’aide des méthodes traditionnelles de traitement des données. Le projet vise à surmonter ces goulots d’étranglement structurels en développant une plateforme numérique unifiée et évolutive qui fédère les ressources de calcul haute performance (HPC), de cloud et de stockage d’objets. Elle permettra l’exécution de flux de travail complexes (y compris le traitement basé sur l’IA) sur des infrastructures hétérogènes grâce à des technologies modernes de conteneurisation. Des principes clés tels que la provenance des données, la reproductibilité et le calcul économe en énergie seront intégrés afin de prendre en charge à la fois les flux de travail scientifiques interactifs et automatisés.
