|
> > Ateliers > Atelier 1
 |
Forum TERATEC 2026
Le rendez-vous des acteurs du numérique
Simulation - HPC - IA - Quantique
|
Atelier 01 - De 16h00 à 18h00 |
Confiance dans le calcul intensif : maîtriser la précision à l’ère de l’IA
Présidé par Norbert Bourneix, Scientific tools manager, Safran et Pierre Louat, Sr Architect & Application engineering EMEA, Synopsys
Au-delà de la précision mixte : une brève introduction au calcul en précision adaptative
Théo Mary, CNRS researcher, LIP6 laboratory, Sorbonne Université

Figure 2. Root node matrix that arises in the multifrontal factorization of the Poisson equation on a domain. The resulting block matrix has a mixed-precision block low-rank property, in that many of its off-diagonal, low-rank blocks can be stored in lower precisions without affecting the overall error (bounded by ). Figure courtesy of the authors. |
Cette présentation a pour objectif de proposer une brève introduction aux algorithmes en précision adaptative.
J’expliquerai leurs principes fondamentaux, ainsi que ce qui les rend plus puissants et plus expressifs que les algorithmes traditionnels en précision mixte.
Par « algorithmes traditionnels en précision mixte », j’entends des algorithmes qui exploitent un petit nombre de niveaux de précision fixés de manière statique à l’avance.
En revanche, les algorithmes à précision adaptative :
- peuvent exploiter un continuum de précisions, soit au niveau matériel lorsqu’un tel continuum est disponible (par exemple, sur les GPU), soit au niveau logiciel lorsqu’un tel continuum peut être utilisé efficacement (par exemple, via des accesseurs de mémoire) ;
- peuvent offrir un continuum de niveaux de précision, permettant des compromis flexibles entre performances et précision ;
- adaptent dynamiquement leur comportement (choix des niveaux de précision) lors de l’exécution, en fonction des données (tant les données d’entrée que les données intermédiaires générées au cours du calcul) ;
- sont d’une précision et d’une robustesse démontrées, leur stratégie reposant sur des bornes d’erreur rigoureuses dérivées analytiquement.
J’illustrerai ces principes à l’aide de quelques exemples réussis en algèbre linéaire et au-delà.
|
 |
Biographie : Theo Mary is a CNRS researcher at the LIP6 laboratory of Sorbonne Université in France. His research concerns the design, development, and analysis of high-performance parallel numerical algorithms, with a particular focus on numerical approximations. He received several awards, including the SIAM Activity Group on Linear Algebra Early Career Prize, the Médaille de bronze du CNRS, and the Lanczos ECMI/EMS Prize for Mathematical Software.
|
|
|