Présentation
Ce cours explore les activités situées à la convergence du calcul haute performance (HPC) et de l’intelligence artificielle (IA).
Il propose une vision complète des synergies entre HPC et IA, à travers quatre volets complémentaires : l’utilisation du HPC pour l’IA, l’analyse in situ des données de simulation, l’intégration de réseaux de neurones dans la simulation numérique, et l’emploi de l’IA pour l’optimisation des systèmes HPC.
Public visé
- Ingénieurs et chercheurs en simulation numérique
- Data scientists travaillant sur des volumes massifs de données
- Architectes et responsables de plateformes HPC / Edge / Cloud
- Développeurs impliqués dans l’entraînement ou l’inférence de grands modèles d’IA
Objectifs pédagogiques
À l’issue de ce module, les participants seront capables de :
- Comprendre les besoins massifs en calcul liés au training et à l’inférence des grands modèles d’IA
- Expliquer les principes et limites de l’analyse post hoc, in situ, in-line et in transit
- Identifier et positionner les outils comme ADIOS2 ou Damaris dans un workflow HPC–IA
- Comprendre l’usage de réseaux de neurones pour accélérer ou remplacer des composantes des simulations numériques
- Appliquer l’IA pour l’allocation de ressources, l’optimisation de code et l’ordonnancement HPC
Programme
Partie 1 : HPC pour l’IA – Olivier Beaumont
- Introduction générale
- Training : stratégies parallèles (data, pipeline, tensor, sequence) et analyse coûts communication / mémoire
- Inference : prefill, decode, batching
Partie 2 : Analyse de données In Situ – Gabriel Antoniu
- Contexte : explosion des volumes de données HPC et limites du post hoc
- Concepts clés : post hoc, in situ, in-line, in transit
- Panorama de solutions logicielles : ADIOS2, Damaris, outils de visualisation et IA
- Cas d’usage : applications CFD / physique numérique
Partie 3 : Utilisation de l’apprentissage dans la simulation numérique – Bruno Raffin
- Apprentissage de deep surrogates et réseaux neuronaux (PINNs, U-net, FNO, PDE-Transformers, réseaux de diffusion)
- Modes d’apprentissage : hors ligne / en ligne
- Couplage solveurs classiques et réseaux neuronaux : super-résolution, solveurs différentiables, problèmes inverses
Partie 4 : IA pour l’allocation de ressources, l’ordonnancement et la programmation – Emmanuelle Saillard
- Bases en compilation : LLVM, représentation intermédiaire (IR2VEC)
- Détection et optimisation de code parallèle via modèles IA
- Approches d’embedding pour analyser et guider le code HPC
Format
- Cours en ligne, interactif
- Module niveau 1 / état de l’art
- Accès gratuit
