CV
Yohan Chatelain
High-performance computing • Scientific software systems
• Numerical reliability
Montréal, Quebec, Canada |
yohan.chatelain@gmail.com |
+1 514 206 2468
Research Profile
Researcher developing compilation, execution, and statistical analysis methods to make large-scale scientific computing faster, more reproducible, and numerically reliable. My research connects high-performance computing (HPC), software systems, and floating-point computation analysis: LLVM instrumentation, heterogeneous CPU/GPU execution, vectorized stochastic arithmetic, mixed and adaptive precision, parallel scientific workflows, and reliability testing for AI and biomedical pipelines. My research program aims to develop an open, end-to-end software stack capable of observing, quantifying, and controlling numerical uncertainty on heterogeneous HPC systems while improving performance, memory footprint, and energy efficiency.
Academic and Research Experience
Scientific Associate
Krembil Centre for Neuroinformatics, Centre for Addiction and Mental Health (CAMH)
- Scientific associate for the Brain Health Data Challenge platform, which supports safe, responsible, and reproducible AI research on sensitive health data; developing computing infrastructure and evaluation methods for collaborative predictive modelling challenges.
- Analyzing the numerical stability of neuroimaging models, including feature extraction with untrained CNNs and longitudinal analysis, to assess their robustness and reproducibility.
Postdoctoral Researcher
Krembil Centre for Neuroinformatics, CAMH
- Quantified the numerical variability of MRI-derived biomarkers and propagated uncertainty through to the scientific conclusions of Parkinson's disease studies.
- Created PRISM and developed Fuzzy PyTorch, reducing stochastic-arithmetic instrumentation time by up to 60× compared with binary-instrumentation approaches and evaluating models with up to 341 million parameters.
Postdoctoral Researcher
Department of Computer Science and Software Engineering, Concordia University
- Led research at the intersection of HPC, numerical analysis, neuroimaging, bioinformatics, and AI; developed PyTracer, Fuzzy, and statistical stability tests for scientific pipelines.
- Coordinated collaborations with McGill University, Université de Montréal, the University of Washington, Stanford University, and European partners; mentored students at the undergraduate, master's, and doctoral levels.
Doctoral Researcher
Université Paris-Saclay / UVSQ, LI-PaRAD
- Developed LLVM-based tools for numerical debugging and reduced-precision optimization in HPC: Verificarlo, VeriTracer, and VPREC.
- Instrumented production-scale C/C++/Fortran scientific applications and parallel solvers; studied vectorization, communication costs, and precision–performance trade-offs.
Industry and Software Engineering Experience
Software Engineer, Numerical Computing Team
Intel Corporation
- Modernized functions in the Intel Mathematical Library and optimized approximately half of the targeted routines; implemented continuous-integration validation to ensure numerical library quality.
Software Developer
Université de Versailles Saint-Quentin-en-Yvelines
- Developed a multithreaded capture-and-replay mechanism in C for CERE, doubling experiment scalability; microbenchmarked NAS kernels for energy–performance modelling.
Software Developer
Exascale Computing Research
- Implemented value profiling with LLVM/Python and automatic specialization of C functions; evaluated the resulting speedups.
Peer-Reviewed Journal Articles
- I. Gonzalez Pepe, H. Akhaddar, T. Glatard, Y. Chatelain. “Fuzzy PyTorch: Rapid Numerical Variability Evaluation for Deep Learning Models.” Transactions on Machine Learning Research, 2026. [pdf]
- Y. Chatelain, A. Sokolowski, M. Sharp, J.-B. Poline, T. Glatard. “The practical impact of numerical variability on structural MRI measures of Parkinson's disease.” Scientific Reports, 2026. [doi]
- J. Sanz-Robinson, M. Wang, B. McPherson, Y. Chatelain, D. Kennedy, T. Glatard, J.-B. Poline. “Open-source platforms to investigate analytical flexibility in neuroimaging.” Imaging Neuroscience, 2025. [pdf]
- M. Dugré, Y. Chatelain, T. Glatard. “An Analysis of Performance Bottlenecks in MRI Pre-Processing.” GigaScience 14, 2025. [pdf]
- Y. Chatelain, L. Tetrel, C. J. Markiewicz, M. Goncalves, G. Kiar, O. Esteban, P. Bellec, T. Glatard. “A numerical variability approach to results stability tests and its application to neuroimaging.” IEEE Transactions on Computers 74(1), 2024. [pdf]
- A. Sokolowski, N. Bhagwat, Y. Chatelain, M. Dugre, A. Hanganu, O. Monchi, B. McPherson, M. Wang, J.B. Poline, M. Sharp, T. Glatard. “Longitudinal brain structure changes in Parkinson's disease: a replication study.” PLOS ONE, 2024. [pdf]
- I. Gonzalez Pepe, Y. Chatelain, G. Kiar, T. Glatard. “Numerical Stability of DeepGOPlus Inference.” PLOS ONE, 2024. [pdf]
- Y. Chatelain, N. Yong, G. Kiar, T. Glatard. “PyTracer: Automatically profiling numerical instabilities in Python.” IEEE Transactions on Computers, 2022. [pdf]
- G. Kiar, Y. Chatelain, A. Salari, A. C. Evans, T. Glatard. “Data Augmentation Through Monte Carlo Arithmetic Leads to More Generalizable Classification in Connectomics.” Neurons, Behavior, Data Analysis and Theory, 2021. [pdf]
- G. Kiar, Y. Chatelain, P. de Oliveira Castro, E. Petit, A. Rokem, G. Varoquaux, B. Misic, A. C. Evans, T. Glatard. “Numerical Uncertainty in Analytical Pipelines Leads to Impactful Variability in Brain Networks.” PLOS ONE, 2021. [pdf]
- M. Popov, C. Akel, Y. Chatelain, W. Jalby, P. de Oliveira Castro. “Piecewise holistic autotuning of parallel programs with CERE.” Concurrency and Computation: Practice and Experience 29, 2017. [pdf]
Peer-Reviewed Conference and Workshop Papers
- I. Gonzalez Pepe, V. Sivakolunthu, Y. Chatelain, T. Glatard. “Uncertain but Useful: Leveraging CNN Training Variability into Data Augmentation.” UNSURE, MICCAI, 2026 (poster). [paper]
- N. Mirhakimi, Y. Chatelain, J.-B. Poline, T. Glatard. “Numerical Uncertainty in Linear Registration: An Experimental Study.” UNSURE, MICCAI, 2025. [pdf]
- G. Vila, E. Medernach, I. Gonzalez Pepe, A. Bonnet, Y. Chatelain, M. Sdika, T. Glatard, and S. Camarasu-Pop. “The Impact of Hardware Variability on Applications Packaged with Docker and Guix: a Case Study in Neuroimaging.” ACM REP, 2024. Best Paper Award [pdf]
- I. Gonzalez Pepe, V. Sivakolunthu, H. Lang Park, Y. Chatelain, T. Glatard. “Numerical Uncertainty of Convolutional Neural Networks Inference for Structural Brain MRI Analysis.” UNSURE, MICCAI, 2023. [pdf]
- M. Des Ligneris, A. Bonnet, Y. Chatelain, T. Glatard, M. Sdika, G. Vila, V. Wargnier-Dauchelle, S. Pop, C. Frindel. “Reproducibility of tumor segmentation outcomes with a deep learning model.” IEEE ISBI, 2023. [pdf]
- M. Vicuna, M. Khannouz, G. Kiar, Y. Chatelain, T. Glatard. “Reducing numerical precision preserves classification accuracy in Mondrian Forests.” IEEE Big Data, 2021. [pdf]
- A. Salari, Y. Chatelain, G. Kiar, T. Glatard. “Accurate simulation of operating system updates in neuroimaging using Monte-Carlo arithmetic.” UNSURE, MICCAI, 2021. [pdf]
- Y. Chatelain, E. Petit, P. de Oliveira Castro, G. Lartigue, D. Defour. “Automatic exploration of reduced floating-point representations in iterative methods.” Euro-Par, 2019. [pdf]
- Y. Chatelain, P. de Oliveira Castro, E. Petit, D. Defour, J. Bieder, M. Torrent. “VeriTracer: Context-enriched tracer for floating-point arithmetic analysis.” IEEE ARITH, 2018. [pdf]
Selected Preprints and Work Under Review
- Y. Chatelain, P. de Oliveira Castro. “Stochastic Rounding in Low-Precision Transformer Inference: A Variable-Precision Emulation Study of a Small GPT-2.” arXiv:2610.01889, 2026. [pdf]
- A. Encin, I. Gonzalez Pepe, Y. Chatelain, E. Dickie, T. Glatard. “Untrained Convolutional Neural Networks as Feature Extractors for Structural MRI.” bioRxiv, 2026. [pdf]
- I. Gonzalez Pepe, V. Sivakolunthu, J. Fortin, Y. Chatelain, T. Glatard. “Conservative & Aggressive NaNs Accelerate U-Nets for Neuroimaging.” arXiv:2601.17180, 2026. [pdf]
- M. Alizadeh, Y. Chatelain, G. Kiar, T. Glatard. “Numerical Variability of Functional MRI Graph Measures.” bioRxiv, 2025. [pdf]
Selected Scientific Presentations
- ATPESC 2026 (Argonne National Laboratory, St. Charles, IL) — invited lecture and hands-on tutorial “Verificarlo: Debugging and optimising floating-point calculations”, Mixed Precision Computing track.
- OHBM 2022, Glasgow — result-stability testing and the long-term reproducibility of fMRIPrep.
- SciPy 2021 — Fuzzy environments for perturbing, evaluating, and leveraging numerical uncertainty in the scientific Python ecosystem.
- IXPUG 2018 (Intel, Hillsboro) and IXPUG 2019 (CERN, Geneva) — HPC numerical computing and software tooling.
- APS 2018 — challenges in scaling ABINIT electronic-structure simulations to exascale.
Software Contributions
| Verificarlo / Interflop | LLVM instrumentation for C/C++/Fortran programs and reusable arithmetic backends for Monte Carlo arithmetic, reduced precision, and vectorized execution across architectures. |
| PRISM / Fuzzy PyTorch | Creator of PRISM. Vectorized probabilistic rounding for low-overhead analysis of numerical variability in optimized PyTorch models; CPU foundation for future GPU and accelerator instrumentation. |
| PyTracer / VeriTracer | Context-aware profiling and localization of numerical instabilities in Python and compiled scientific applications. |
| VPREC | Dynamic simulation and exploration of reduced floating-point formats; applied to parallel fluid-mechanics solvers and precision optimization for neuroimaging registration. |
| Stability methodology | Result-level acceptability tests and propagation of numerical variability to effect sizes, correlations, longitudinal models, and group-level inferences. |
Funding and Awards
Concordia Horizon Postdoctoral Fellowship
Principal investigator • Numerical instabilities in neuroimaging
AccelNet IN-BIC Research Grant
Principal investigator • Numerical stability of brain tractometry with PyAFQ
Best Paper Award, ACM REP
2nd ACM Conference on Reproducibility and Replicability
Teaching Experience
Invited Lecturer — ATPESC 2026
Argonne National Laboratory • Argonne Training Program on Extreme-Scale Computing
- Lecture and hands-on tutorial (Google Colab) on Verificarlo in the Mixed Precision Computing track: debugging and optimizing floating-point computations, stochastic arithmetic, reduced precision (VPREC), and instrumentation of HPC and deep-learning codes.
Course Instructor — Programming Foundations
Concordia University • first-year undergraduate course
- Introduced programming, classes, and objects in C++ through worked examples, regular practice, testing, and conceptual understanding.
Teaching Assistant / Lecturer — Compilers
Université Paris-Saclay • third-year undergraduate course
- Taught the compilation pipeline, from parsing to assembly generation; supervised the implementation of a functional mini-compiler for Tiger.
Teaching Assistant — Advanced Algorithms
Université Paris-Saclay • third-year undergraduate course
- Led tutorials on time and space complexity, recursion, divide-and-conquer methods, and graph algorithms; delivered an introductory lecture.
Teaching Assistant — Parallel Architectures
Université Paris-Saclay • first-year master's course
- Led tutorials on shared- and distributed-memory programming, cache coherence, and interconnection networks; assessed paper reviews and oral presentations.
Courses prepared to teach: parallel systems and HPC (OpenMP, MPI, CUDA); operating systems and software systems; compilers; numerical computing and scientific software reliability; algorithms; and introductory programming. Able to teach in English or French.
Research Mentorship
These mentorships were conducted under my supervisor's formal responsibility, while I played an active role in day-to-day supervision, including defining research topics, monitoring scientific progress, and providing methodological guidance.
| Level | Student | Topic | Period |
|---|---|---|---|
| PhD | Mina Alizadeh | Numerical stability of functional neuroimaging | –present |
| PhD | Inés Gonzalez Pepe | Numerical stability of deep learning in bioinformatics | –present |
| PhD | Mathieu Dugré | Reduced precision for neuroimaging applications | – |
| PhD | Ali Salari | Computing environments for neuroimaging pipelines | – |
| Master's | Inés Gonzalez Pepe | Numerical stability of DeepGOPlus inference (50% mentorship) | – |
| Master's | Damien Thénot | Java environment for VeriTracer (50% supervision) | |
| Undergraduate | Jacob Fortin | U-Net acceleration through NaN pooling/unpooling (50%) | |
| Undergraduate | Nigel Yong | PyTracer performance optimization (50%) | |
| Undergraduate | Marc Vicuna | Reduced precision in Mondrian forests (co-supervision) |
Education
PhD in Computer Science
Université Paris-Saclay / UVSQ
Dissertation: Debugging and optimization tools
for floating-point computations in HPC.
Master's in High-Performance Computing and Numerical Simulation
Université Paris-Saclay / UVSQ
Bachelor's in Computer Science
Université Paris-Saclay
Technical Expertise
| HPC | OpenMP, MPI, multithreading and multiprocessing, Slurm, distributed experiments, profiling, strong and weak scaling, and CPU/GPU and heterogeneous systems. |
| Compilers | LLVM/Clang, compiler passes, binary instrumentation, Intel/ARM ISAs, assembly, vectorization, and optimized numerical kernels. |
| Languages and platforms | C, C++, Fortran, Python, and OCaml; Linux, Docker, Guix, continuous integration and deployment, and reproducible environments and workflows. |
| Numerical computing and AI | Floating-point, Monte Carlo and stochastic arithmetic, mixed/reduced precision, PyTorch, NumPy/SciPy, FreeSurfer, ANTs, PyAFQ. |
Professional Profile
| Languages | French (native); English (professional proficiency). |
| Open science | Open-source software, reproducible containers, automated stability reports, and continuous integration. |
| Professional status | Prepared to complete the requirements for membership in the Ordre des ingénieurs du Québec. |
Yohan Chatelain
Calcul de haute performance • Systèmes logiciels scientifiques
• Fiabilité numérique
Montréal (Québec), Canada |
yohan.chatelain@gmail.com |
+1 514 206 2468
Profil de recherche
Chercheur développant des méthodes de compilation, d'exécution et d'analyse statistique afin de rendre le calcul scientifique à grande échelle plus rapide, reproductible et fiable numériquement. Mes recherches relient le calcul de haute performance (HPC), les systèmes logiciels et l'analyse des calculs en virgule flottante : instrumentation LLVM, exécution hétérogène CPU/GPU, arithmétique stochastique vectorisée, précision mixte et adaptative, flux scientifiques parallèles et tests de fiabilité pour l'IA et les pipelines biomédicaux. Mon programme de recherche vise une pile logicielle ouverte de bout en bout capable d'observer, quantifier et contrôler l'incertitude numérique sur des systèmes HPC hétérogènes, tout en améliorant la performance, l'empreinte mémoire et l'efficacité énergétique.
Expérience universitaire et de recherche
Chercheur associé
Centre Krembil de neuro-informatique, Centre de toxicomanie et de santé mentale (CAMH)
- Chercheur associé pour la plateforme Brain Health Data Challenge, qui soutient une recherche en IA sécuritaire, responsable et reproductible sur des données de santé sensibles ; développement de l'infrastructure de calcul et des méthodes d'évaluation pour des défis collaboratifs de modélisation prédictive.
- Analyse de la stabilité numérique de modèles de neuro-imagerie, notamment l'extraction de caractéristiques par CNN non entraîné (untrained CNN) et l'analyse longitudinale, afin d'en évaluer la robustesse et la reproductibilité.
Chercheur postdoctoral
Centre Krembil de neuro-informatique, CAMH
- Quantification de la variabilité numérique de biomarqueurs dérivés de l'IRM et propagation de l'incertitude jusqu'aux conclusions scientifiques d'études sur la maladie de Parkinson.
- Création de PRISM et développement de Fuzzy PyTorch : réduction jusqu'à 60× du temps d'instrumentation en arithmétique stochastique par rapport aux approches binaires et évaluation de modèles comptant jusqu'à 341 millions de paramètres.
Chercheur postdoctoral
Département d'informatique et de génie logiciel, Université Concordia
- Direction de travaux à l'interface du HPC, de l'analyse numérique, de la neuroimagerie, de la bio-informatique et de l'IA ; développement de PyTracer, de Fuzzy et de tests statistiques de stabilité pour les pipelines scientifiques.
- Coordination de collaborations avec McGill, l'Université de Montréal, l'Université de Washington, Stanford et des partenaires européens ; mentorat aux trois cycles universitaires.
Doctorant-chercheur
Université Paris-Saclay / UVSQ, LI-PaRAD
- Développement d'outils fondés sur LLVM pour le débogage numérique et l'optimisation en précision réduite en HPC : Verificarlo, VeriTracer et VPREC.
- Instrumentation d'applications scientifiques C/C++/Fortran de taille industrielle et de solveurs parallèles ; étude de la vectorisation, des coûts de communication et des compromis précision–performance.
Expérience industrielle et en génie logiciel
Ingénieur logiciel, équipe de calcul numérique
Intel Corporation
- Modernisation de fonctions de l'Intel Mathematical Library et optimisation d'environ la moitié des routines ciblées ; mise en place d'une validation par intégration continue pour assurer la qualité de la bibliothèque numérique.
Développeur logiciel
Université de Versailles Saint-Quentin-en-Yvelines
- Développement en C d'un mécanisme multithread de capture et de rejeu pour CERE, doublant le passage à l'échelle des expériences ; microétalonnage de noyaux NAS pour la modélisation énergie–performance.
Développeur logiciel
Exascale Computing Research
- Mise en œuvre du profilage de valeurs avec LLVM/Python et de la spécialisation automatique de fonctions C ; évaluation des accélérations obtenues.
Articles évalués par les pairs — revues
- I. Gonzalez Pepe, H. Akhaddar, T. Glatard, Y. Chatelain. « Fuzzy PyTorch: Rapid Numerical Variability Evaluation for Deep Learning Models. » Transactions on Machine Learning Research, 2026. [pdf]
- Y. Chatelain, A. Sokolowski, M. Sharp, J.-B. Poline, T. Glatard. « The practical impact of numerical variability on structural MRI measures of Parkinson's disease. » Scientific Reports, 2026. [doi]
- J. Sanz-Robinson, M. Wang, B. McPherson, Y. Chatelain, D. Kennedy, T. Glatard, J.-B. Poline. « Open-source platforms to investigate analytical flexibility in neuroimaging. » Imaging Neuroscience, 2025. [pdf]
- M. Dugré, Y. Chatelain, T. Glatard. « An Analysis of Performance Bottlenecks in MRI Pre-Processing. » GigaScience 14, 2025. [pdf]
- Y. Chatelain, L. Tetrel, C. J. Markiewicz, M. Goncalves, G. Kiar, O. Esteban, P. Bellec, T. Glatard. « A numerical variability approach to results stability tests and its application to neuroimaging. » IEEE Transactions on Computers 74(1), 2024. [pdf]
- A. Sokolowski, N. Bhagwat, Y. Chatelain, M. Dugre, A. Hanganu, O. Monchi, B. McPherson, M. Wang, J.B. Poline, M. Sharp, T. Glatard. « Longitudinal brain structure changes in Parkinson's disease: a replication study. » PLOS ONE, 2024. [pdf]
- I. Gonzalez Pepe, Y. Chatelain, G. Kiar, T. Glatard. « Numerical Stability of DeepGOPlus Inference. » PLOS ONE, 2024. [pdf]
- Y. Chatelain, N. Yong, G. Kiar, T. Glatard. « PyTracer: Automatically profiling numerical instabilities in Python. » IEEE Transactions on Computers, 2022. [pdf]
- G. Kiar, Y. Chatelain, A. Salari, A. C. Evans, T. Glatard. « Data Augmentation Through Monte Carlo Arithmetic Leads to More Generalizable Classification in Connectomics. » Neurons, Behavior, Data Analysis and Theory, 2021. [pdf]
- G. Kiar, Y. Chatelain, P. de Oliveira Castro, E. Petit, A. Rokem, G. Varoquaux, B. Misic, A. C. Evans, T. Glatard. « Numerical Uncertainty in Analytical Pipelines Leads to Impactful Variability in Brain Networks. » PLOS ONE, 2021. [pdf]
- M. Popov, C. Akel, Y. Chatelain, W. Jalby, P. de Oliveira Castro. « Piecewise holistic autotuning of parallel programs with CERE. » Concurrency and Computation: Practice and Experience 29, 2017. [pdf]
Articles évalués par les pairs — conférences et ateliers
- I. Gonzalez Pepe, V. Sivakolunthu, Y. Chatelain, T. Glatard. « Uncertain but Useful: Leveraging CNN Training Variability into Data Augmentation. » UNSURE, MICCAI, 2026 (poster). [article]
- N. Mirhakimi, Y. Chatelain, J.-B. Poline, T. Glatard. « Numerical Uncertainty in Linear Registration: An Experimental Study. » UNSURE, MICCAI, 2025. [pdf]
- G. Vila, E. Medernach, I. Gonzalez Pepe, A. Bonnet, Y. Chatelain, M. Sdika, T. Glatard, and S. Camarasu-Pop. « The Impact of Hardware Variability on Applications Packaged with Docker and Guix: a Case Study in Neuroimaging. » ACM REP, 2024. Prix du meilleur article [pdf]
- I. Gonzalez Pepe, V. Sivakolunthu, H. Lang Park, Y. Chatelain, T. Glatard. « Numerical Uncertainty of Convolutional Neural Networks Inference for Structural Brain MRI Analysis. » UNSURE, MICCAI, 2023. [pdf]
- M. Des Ligneris, A. Bonnet, Y. Chatelain, T. Glatard, M. Sdika, G. Vila, V. Wargnier-Dauchelle, S. Pop, C. Frindel. « Reproducibility of tumor segmentation outcomes with a deep learning model. » IEEE ISBI, 2023. [pdf]
- M. Vicuna, M. Khannouz, G. Kiar, Y. Chatelain, T. Glatard. « Reducing numerical precision preserves classification accuracy in Mondrian Forests. » IEEE Big Data, 2021. [pdf]
- A. Salari, Y. Chatelain, G. Kiar, T. Glatard. « Accurate simulation of operating system updates in neuroimaging using Monte-Carlo arithmetic. » UNSURE, MICCAI, 2021. [pdf]
- Y. Chatelain, E. Petit, P. de Oliveira Castro, G. Lartigue, D. Defour. « Automatic exploration of reduced floating-point representations in iterative methods. » Euro-Par, 2019. [pdf]
- Y. Chatelain, P. de Oliveira Castro, E. Petit, D. Defour, J. Bieder, M. Torrent. « VeriTracer: Context-enriched tracer for floating-point arithmetic analysis. » IEEE ARITH, 2018. [pdf]
Prépublications et travaux en évaluation sélectionnés
- Y. Chatelain, P. de Oliveira Castro. « Stochastic Rounding in Low-Precision Transformer Inference: A Variable-Precision Emulation Study of a Small GPT-2. » arXiv:2610.01889, 2026. [pdf]
- A. Encin, I. Gonzalez Pepe, Y. Chatelain, E. Dickie, T. Glatard. « Untrained Convolutional Neural Networks as Feature Extractors for Structural MRI. » bioRxiv, 2026. [pdf]
- I. Gonzalez Pepe, V. Sivakolunthu, J. Fortin, Y. Chatelain, T. Glatard. « Conservative & Aggressive NaNs Accelerate U-Nets for Neuroimaging. » arXiv:2601.17180, 2026. [pdf]
- M. Alizadeh, Y. Chatelain, G. Kiar, T. Glatard. « Numerical Variability of Functional MRI Graph Measures. » bioRxiv, 2025. [pdf]
Communications scientifiques sélectionnées
- ATPESC 2026 (Argonne National Laboratory, St. Charles, IL) — conférence invitée et tutoriel « Verificarlo: Debugging and optimising floating-point calculations », piste Mixed Precision Computing.
- OHBM 2022, Glasgow — tests de stabilité des résultats et reproductibilité à long terme de fMRIPrep.
- SciPy 2021 — environnements Fuzzy pour perturber, évaluer et exploiter l'incertitude numérique dans l'écosystème Python scientifique.
- IXPUG 2018 (Intel, Hillsboro) et IXPUG 2019 (CERN, Genève) — calcul numérique HPC et outillage logiciel.
- APS 2018 — défis du passage à l'exascale des simulations de structure électronique ABINIT.
Contributions logicielles
| Verificarlo / Interflop | Instrumentation LLVM de programmes C/C++/Fortran et backends arithmétiques réutilisables pour l'arithmétique de Monte-Carlo, la précision réduite et l'exécution vectorielle multiarchitecture. |
| PRISM / Fuzzy PyTorch | Créateur de PRISM. Arrondi probabiliste vectorisé pour analyser à faible surcoût la variabilité numérique de modèles PyTorch optimisés ; socle CPU pour l'instrumentation future des GPU et accélérateurs. |
| PyTracer / VeriTracer | Profilage contextuel et localisation des instabilités numériques dans Python et les applications scientifiques compilées. |
| VPREC | Simulation dynamique et exploration de formats flottants réduits ; application aux solveurs parallèles de mécanique des fluides et à l'optimisation de la précision du recalage en neuroimagerie. |
| Méthodologie de stabilité | Tests d'acceptabilité au niveau des résultats et propagation de la variabilité numérique vers les tailles d'effet, corrélations, modèles longitudinaux et inférences de groupe. |
Financement et distinctions
Bourse postdoctorale Horizon de Concordia
Chercheur principal • Instabilités numériques en neuroimagerie
Subvention de recherche AccelNet IN-BIC
Chercheur principal • Stabilité numérique de la tractométrie cérébrale avec PyAFQ
Prix du meilleur article, ACM REP
2e ACM Conference on Reproducibility and Replicability
Expérience d'enseignement
Conférencier invité — ATPESC 2026
Argonne National Laboratory • Argonne Training Program on Extreme-Scale Computing
- Cours et travaux pratiques (Google Colab) sur Verificarlo dans la piste Mixed Precision Computing : débogage et optimisation des calculs flottants, arithmétique stochastique, précision réduite (VPREC) et instrumentation de codes HPC et d'apprentissage profond.
Chargé de cours — Fondements de la programmation
Université Concordia • première année du baccalauréat
- Introduction à la programmation, aux classes et aux objets en C++ ; progression par exemples, pratique régulière, tests et compréhension conceptuelle.
Chargé de travaux dirigés / cours magistral — Compilation
Université Paris-Saclay • troisième année de licence
- Enseignement de la chaîne de compilation, de l'analyse syntaxique à la génération d'assembleur; encadrement de l'implémentation d'un mini-compilateur fonctionnel pour Tiger.
Chargé de travaux dirigés — Algorithmique avancée
Université Paris-Saclay • troisième année de licence
- Travaux dirigés sur les complexités temporelle et spatiale, la récursivité, la méthode diviser pour régner et les algorithmes de graphes ; prestation d'un premier cours magistral.
Chargé de travaux dirigés — Architectures parallèles
Université Paris-Saclay • première année de maîtrise
- Travaux dirigés sur la programmation à mémoire partagée et distribuée, la cohérence des caches et les réseaux d'interconnexion ; évaluation de synthèses d'articles et de présentations orales.
Enseignements proposés : systèmes parallèles et HPC (OpenMP, MPI, CUDA) ; systèmes d'exploitation et systèmes logiciels ; compilation ; calcul numérique et fiabilité des logiciels scientifiques ; algorithmique ; initiation à la programmation. Enseignement en français ou en anglais.
Encadrement en recherche
Ces encadrements ont été menés sous la responsabilité officielle de mon superviseur, au sein duquel j'ai pris une part active à la supervision quotidienne (définition des sujets, suivi scientifique et accompagnement méthodologique).
| Niveau | Personne | Sujet | Période |
|---|---|---|---|
| Doctorat | Mina Alizadeh | Stabilité numérique de la neuroimagerie fonctionnelle | –présent |
| Doctorat | Inés Gonzalez Pepe | Stabilité numérique de l'apprentissage profond en bio-informatique | –présent |
| Doctorat | Mathieu Dugré | Précision réduite pour les applications de neuroimagerie | – |
| Doctorat | Ali Salari | Environnements de calcul des pipelines de neuroimagerie | – |
| Maîtrise | Inés Gonzalez Pepe | Stabilité numérique de l'inférence DeepGOPlus (mentorat à 50%) | – |
| Maîtrise | Damien Thénot | Environnement Java pour VeriTracer (encadrement à 50%) | |
| Baccalauréat | Jacob Fortin | Accélération de U-Net par NaN pooling/unpooling (50%) | |
| Baccalauréat | Nigel Yong | Optimisation des performances de PyTracer (50%) | |
| Baccalauréat | Marc Vicuna | Précision réduite dans les forêts de Mondrian (coencadrement) |
Formation
Doctorat en informatique
Université Paris-Saclay / UVSQ
Thèse : Outils de débogage et d'optimisation
des calculs flottants dans le contexte HPC.
Maîtrise en calcul haute performance et simulation numérique
Université Paris-Saclay / UVSQ
Licence en informatique
Université Paris-Saclay
Expertise technique
| HPC | OpenMP, MPI, multithreading et multiprocessing, Slurm, expériences distribuées, profilage, passage à l'échelle fort et faible, systèmes CPU/GPU et hétérogènes. |
| Compilation | LLVM/Clang, passes de compilation, instrumentation binaire, ISA Intel/ARM, assembleur, vectorisation, noyaux numériques optimisés. |
| Langages et plateformes | C, C++, Fortran, Python, OCaml ; Linux, Docker, Guix, intégration et déploiement continus, environnements et flux reproductibles. |
| Calcul numérique et IA | Virgule flottante, arithmétique de Monte-Carlo et stochastique, précision mixte/réduite, PyTorch, NumPy/SciPy, FreeSurfer, ANTs, PyAFQ. |
Profil professionnel
| Langues | Français (langue maternelle) ; anglais (compétence professionnelle). |
| Science ouverte | Logiciels libres, conteneurs reproductibles, rapports automatisés de stabilité, intégration continue. |
| Statut professionnel | Disposé à entreprendre les démarches requises pour devenir membre de l'Ordre des ingénieurs du Québec. |