BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//CERN//INDICO//EN
BEGIN:VEVENT
SUMMARY:Formation HPC et IA : Convergence calcul haute performance et inte
 lligence artificielle
DTSTART:20260310T080000Z
DTEND:20260310T160000Z
DTSTAMP:20260424T164300Z
UID:indico-event-424@spectra-indico-teszt.hinfra.hu
DESCRIPTION:Présentation\nCe cours explore les activités situées à la
  convergence du calcul haute performance (HPC) et de l’intelligence art
 ificielle (IA).Il propose une vision complète des synergies entre HPC et 
 IA\, à travers quatre volets complémentaires : l’utilisation du HPC po
 ur l’IA\, l’analyse in situ des données de simulation\, l’intégrat
 ion de réseaux de neurones dans la simulation numérique\, et l’emploi 
 de l’IA pour l’optimisation des systèmes HPC.\n \n\n \n \nPublic v
 isé\n\nIngénieurs et chercheurs en simulation numérique\nData scientist
 s travaillant sur des volumes massifs de données\nArchitectes et responsa
 bles de plateformes HPC / Edge / Cloud\nDéveloppeurs impliqués dans l’
 entraînement ou l’inférence de grands modèles d’IA\n\n \n \n \n\
 n \nObjectifs pédagogiques\nÀ l’issue de ce module\, les participants
  seront capables de :\n\nComprendre les besoins massifs en calcul liés au
  training et à l’inférence des grands modèles d’IA\nExpliquer les p
 rincipes et limites de l’analyse post hoc\, in situ\, in-line et in tran
 sit\nIdentifier et positionner les outils comme ADIOS2 ou Damaris dans un 
 workflow HPC–IA\nComprendre l’usage de réseaux de neurones pour accé
 lérer ou remplacer des composantes des simulations numériques\nAppliquer
  l’IA pour l’allocation de ressources\, l’optimisation de code et l
 ’ordonnancement HPC\n\n \n \n\nProgramme\nPartie 1 : HPC pour l’IA 
 – Olivier Beaumont\n\nIntroduction générale\nTraining : stratégies pa
 rallèles (data\, pipeline\, tensor\, sequence) et analyse coûts communic
 ation / mémoire\nInference : prefill\, decode\, batching\n\n \nPartie 2 
 : Analyse de données In Situ – Gabriel Antoniu\n\nContexte : explosion 
 des volumes de données HPC et limites du post hoc\nConcepts clés : post 
 hoc\, in situ\, in-line\, in transit\nPanorama de solutions logicielles : 
 ADIOS2\, Damaris\, outils de visualisation et IA\nCas d’usage : applicat
 ions CFD / physique numérique\n\n \nPartie 3 : Utilisation de l’appren
 tissage dans la simulation numérique – Bruno Raffin\n \n\nApprentissag
 e de deep surrogates et réseaux neuronaux (PINNs\, U-net\, FNO\, PDE-Tran
 sformers\, réseaux de diffusion)\nModes d’apprentissage : hors ligne / 
 en ligne\nCouplage solveurs classiques et réseaux neuronaux : super-réso
 lution\, solveurs différentiables\, problèmes inverses\n\n \nPartie 4 :
  IA pour l’allocation de ressources\, l’ordonnancement et la programma
 tion – Emmanuelle Saillard\n \n\nBases en compilation : LLVM\, représe
 ntation intermédiaire (IR2VEC)\nDétection et optimisation de code parall
 èle via modèles IA\nApproches d’embedding pour analyser et guider le c
 ode HPC\n\n \nFormat\n\nCours en ligne\, interactif\nModule niveau 1 / é
 tat de l’art\nAccès gratuit\n\n\nhttps://spectra-indico-teszt.hinfra.hu
 /event/424/
URL:https://spectra-indico-teszt.hinfra.hu/event/424/
END:VEVENT
END:VCALENDAR