La plupart des recherches menĂ©es Ă  l’IP2I reposent sur des systèmes de traitement de donnĂ©es massives et de calculs intensifs, et ce depuis de nombreuses annĂ©es.

Au CERN par exemple, dans les annĂ©es soixante, l’analyse des photos de chambres Ă  bulle mobilisait une armĂ©e d’opĂ©rateurs. Par la suite, avec l’essor de l’informatique et des infrastructures distribuĂ©es, les analyses visuelles et manuelles furent remplacĂ©s par des programmes tournant sur des fermes d’ordinateurs telles que le CCIN2P3 Ă  Lyon, ou sur la grille de calcul mondial qui traite par exemple les donnĂ©es d’ALICE et de CMS.

De nos jours, le calcul haute performance (HPC), le deep learning, et le big data offrent de nouvelles perspectives Ă  l’ensemble de la recherche fondamentale. Ainsi :

  • Le HPC et le calcul accĂ©lĂ©rĂ© sur GPU permettent de rĂ©soudre les Ă©quations diffĂ©rentielles complexes des Ă©quipes de physique thĂ©orique, par exemple pour dĂ©crire la fusion des Ă©toiles Ă  neutrons et trous noirs, ou pour modĂ©liser le comportement des galaxies.
  • Le deep learning est utilisĂ© pour sĂ©parer le signal du bruit de fond dans les expĂ©riences, que ce soit pour la dĂ©tection d’ondes gravitationnelles (Virgo/Ligo), de nouvelles particules encore inconnues (CMS), ou encore pour identifier les particules d’après les signaux enregistrĂ©s dans le dĂ©tecteur (Agata).
  • Les techniques big data inspirĂ©es de celles des gĂ©ants de l’internet permettent l’analyse interactive de grandes quantitĂ©s de donnĂ©es (Euclid, CMS).

La plateforme Calcul Scientifique de l’IP2I a pour but :

  • D’assurer la veille technologique qui permet Ă  l’IP2I de suivre les Ă©volutions mondiales et de rester Ă  la pointe sur ces sujets.
  • D’anticiper et d’assurer les moyens de calculs nĂ©cessaires (serveurs, GPU, etc) aux activitĂ©s du laboratoire.
  • De favoriser l’Ă©change de connaissance et de crĂ©er du lien entre les Ă©quipes du  du laboratoire, et avec les Ă©quipes d’organisations partenaires (IN2P3/CNRS, UCBL, UniversitĂ© de Lyon notamment).
    • documentation sur l’utilisation des moyens de calcul de l’IP2I et ceux du CC-IN2P3.

ACTIVITÉS :

  • Tutoriels et discussions rĂ©gulières:
    • machine learning et deep learning
    • data science
    • dask, kubernetes, slurm
    • python, git

2020

  • Mise en place d’une ferme de calcul de plus de 900 coeurs
  • Acquisition d’un serveur GPU avec 3 cartes NVidia RTX6000 pour le prototypage des algorithmes de deep learning
  • Accompagnement de projets de recherche :
    • DĂ©tection automatique de micro-dĂ©fauts Ă  la surface des miroirs produits par le LMA pour Virgo
    • Calcul de fonctions d’ondes nuclĂ©aires quantiques par un rĂ©seau de neurones.
  • Formation Machine Learning et Deep Learning pour les chercheurs et professeurs de l’universitĂ© de Lyon (plus de 30 participants)
  • CrĂ©ation de The Data Frog, un blog d’initiation Ă  la data science et au machine learning avec python destinĂ© au grand public.