Détail d'une fiche   Version PDF

TOPAL (SR0937ER)

Outils et Optimisations pour le Calcul Haute Performance et l'Apprentissage

HIEPACS (SR0431WR) →  TOPAL


Statut: Décision signée

Responsable : Olivier Beaumont

Mots-clés de "A - Thèmes de recherche en Sciences du numérique - 2024" : Aucun mot-clé.

Mots-clés de "B - Autres sciences et domaines d'application - 2024" : Aucun mot-clé.

Domaine : Réseaux, systèmes et services, calcul distribué
Thème : Calcul distribué et à haute performance

Période : 01/03/2023 -> 28/02/2027
Dates d'évaluation :

Etablissement(s) de rattachement : BORDEAUX INP, U. DE BORDEAUX
Laboratoire(s) partenaire(s) : LABRI (UMR5800)

CRI : Centre Inria de l'université de Bordeaux
Localisation : Centre Inria de l'université de Bordeaux
Code structure Inria : 091072-0

Numéro RNSR : 202324391S
N° de structure Inria: SR0937ER

Présentation

L’objectif de l’équipe Topal (Inria, Université de Bordeaux, Bordeaux INP, LaBRI) est de proposer des algorithmes et des outils efficaces pour l’algèbre linéaire et tensorielle d’une part (avec en particulier les logiciels PaStiX et Chameleon), et pour l’apprentissage d’autre part (avec rockmate).

 

 


Axes de recherche

Nous nous intéressons aux questions liées au calcul haute performance, au placement des données, à l’ordonnancement, au passage à l’échelle, à la compression des données, à l’algorithmique compressée, à l’utilisation des runtime systems (comme StarPU développé dans l'équipe Storm) et à la minimisation de la consommation de la consommation énergétique et de l’impact carbone. 

 


Relations industrielles et internationales

Nos principaux partenaires académiques sont Storm et Roma à l’Inria, APO à l’IRIT, Anima AI + Science lab at Caltech, Innovative Computing Laboratory at UT Knoxville, CEA, Eviden et Qarnot Computing.

 

Quelques projets en cours:

  • EUPEX: European Pilot for Exascale
  • TextaRossa: Towards EXtreme scale Technologies and Accelerators for euROhpc hw/Sw Supercomputing Applications for exascale
  • Engage: Towards faster and more reliable AI 
  • Solharis: SOLvers for Heterogeneous Architectures over Runtime systems, Investigating Scalability
  • Pulse: PUshing Low-carbon Services towards the Edge
  • ELF: Efficient deep learning frameworks