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 accéléré sur GPU permettent de résoudre les équations différentielles complexes des équipes de physique théorique, par exemple pour décrire la fusion des étoiles à neutrons et trous noirs, ou pour modéliser 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 régulières:
- 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 :
- Détection automatique de micro-défauts à 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.