Doctorant Efficacité Énergétique et Mémoire Étendue H/F

Établissement : Université Paris-Saclay GS Sciences de l'ingénierie et des systèmes
École doctorale : Sciences et Technologies de l'Information et de la Communication
Laboratoire de recherche : Laboratoire d'Informatique - Parallélisme Réseaux et Algorithmes Distribuée
Direction de la thèse : Soraya ZERTAL ORCID 0000000233909240
Début de la thèse : 2026-05-15
Date limite de candidature : 2026-05-04T23:59:59

Les applications de calcul intensif, telles que les simulations, les entrainements de modèles en
intelligence artificielle~\cite{tripp2024measuring} et l'analyse et traitement des données collectées lors des expérimentations scientifiques de grande envergure, manipulent des quantités massives de données de l'ordre du PétaOctets (en stockage temporaire) pour alimenter des calculs de l'ordre de centaines de PFLOPS. Par ailleurs, la puissance de calcul disponible par noeud ne cesse d'augmenter et est même accentuée de manière significative par les dernières générations de GPU, mettant toujours plus de pression sur la performance d'accès aux données. Avoir des noeuds passant une partie significative du temps à attendre des données à traiter tout en continuant à consommer de l'énergie est pénalisant aussi bien pour la performance que pour la consommation d'énergie qui devient un enjeu crucial dans les coûts d'exploitation des supercalculateurs et au delà, en constituant un vrai enjeu écologique. Cette ressource est d'autant plus critique dans certains contextes d'expérimentation scientifique tels que le projet SKA nécessitant le traitement de données collectées par un certain nombre d'antennes et nourissant un pipeline d'exécution impliquant plusieurs applications et ceci dans un contexte énergétique contraint de nature (désert africain et australien). Il s'agit donc d'une nouvelle orientation dans le HPC, qui après s'être axé sur la performance de calcul (simulation numérique avec essentiellement des algorithmes d'analyse numérique), puis impliquant la précision des calculs effectués, s'est orienté cette dernière décennie vers la frugalité énergétique. C'est dans ce cadre que se déroulera cette thèse, dont les contextes scientifique et applicatif se situent dans l'environement conraint du projet SKA. La contrainte n'est pas juste de l'ordre de la taille des données qu'il faut accéder rapidement pour ne pas retarder les calculs et économiser l'énergie consommée par les noeuds de calcul en attente ; mais aussi de la guarantie d'exécution des applications sur ces données à moindre coût énergétique. En effet, dans le cas du SKA par exemple, il est important de (1) traiter les données collectées en continu par les antennes car certaines ont un caractère unique et ne peuvent être collectées de nouveau, (2) de ne pas interrompre le pipeline d'exécution dans lequel s'inscrit le traitement de ces données. Cela n'implique pas forcément des contraintes de performance élevées en mobilisant le maximum de ressources disponibles (noeuds, antennes ..) à cet effet. Le but étant que l'application doit s'exécuter avec les ressources disponibles en consommant le moins d'énergie pour s'adapter au contexte géographique, écologique et financier.

Recherche académique avec application industrielle dans le contexte du projet SKA.

Effectuer du calcul haute performance dans des environnement contraint à moindre coût énergétique sans impacter la performance.

Les méthodes d'optimisation et celles issues de l'IA seront appliquées pour la reconfiguration dynamique de l'exécution des applications dans un contexte contraint en énergie.