Yohan Chatelain

Calcul de haute performance • Systèmes logiciels scientifiques • Fiabilité numérique
Montréal (Québec), Canada  |  yohan.chatelain@gmail.com  |  +1 514 206 2468
Site Web    Google Scholar    GitHub    ORCID 0000-0001-7023-250X    LinkedIn

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

Toronto, Canada • –présent
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

Toronto, Canada • –
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

Montréal, Canada • –
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

Versailles, France • –
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

Hillsboro, Oregon, États-Unis • –
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

Versailles, France • –
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

Bruyères-le-Châtel, France • –
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

  1. 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]
  2. 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]
  3. 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]
  4. M. Dugré, Y. Chatelain, T. Glatard. « An Analysis of Performance Bottlenecks in MRI Pre-Processing. » GigaScience 14, 2025. [pdf]
  5. 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]
  6. 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]
  7. I. Gonzalez Pepe, Y. Chatelain, G. Kiar, T. Glatard. « Numerical Stability of DeepGOPlus Inference. » PLOS ONE, 2024. [pdf]
  8. Y. Chatelain, N. Yong, G. Kiar, T. Glatard. « PyTracer: Automatically profiling numerical instabilities in Python. » IEEE Transactions on Computers, 2022. [pdf]
  9. 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]
  10. 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]
  11. 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

  1. I. Gonzalez Pepe, V. Sivakolunthu, Y. Chatelain, T. Glatard. « Uncertain but Useful: Leveraging CNN Training Variability into Data Augmentation. » UNSURE, MICCAI, 2026 (poster). [article]
  2. N. Mirhakimi, Y. Chatelain, J.-B. Poline, T. Glatard. « Numerical Uncertainty in Linear Registration: An Experimental Study. » UNSURE, MICCAI, 2025. [pdf]
  3. 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]
  4. 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]
  5. 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]
  6. M. Vicuna, M. Khannouz, G. Kiar, Y. Chatelain, T. Glatard. « Reducing numerical precision preserves classification accuracy in Mondrian Forests. » IEEE Big Data, 2021. [pdf]
  7. A. Salari, Y. Chatelain, G. Kiar, T. Glatard. « Accurate simulation of operating system updates in neuroimaging using Monte-Carlo arithmetic. » UNSURE, MICCAI, 2021. [pdf]
  8. 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]
  9. 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

  1. 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]
  2. A. Encin, I. Gonzalez Pepe, Y. Chatelain, E. Dickie, T. Glatard. « Untrained Convolutional Neural Networks as Feature Extractors for Structural MRI. » bioRxiv, 2026. [pdf]
  3. I. Gonzalez Pepe, V. Sivakolunthu, J. Fortin, Y. Chatelain, T. Glatard. « Conservative & Aggressive NaNs Accelerate U-Nets for Neuroimaging. » arXiv:2601.17180, 2026. [pdf]
  4. 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

50 000 $ CAD/an • –
Chercheur principal • Instabilités numériques en neuroimagerie

Subvention de recherche AccelNet IN-BIC

10 000 $ US •
Chercheur principal • Stabilité numérique de la tractométrie cérébrale avec PyAFQ

Prix du meilleur article, ACM REP

Coauteur •
2e ACM Conference on Reproducibility and Replicability

Expérience d'enseignement

Conférencier invité — ATPESC 2026

St. Charles, IL, États-Unis •
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

Montréal, Canada •
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

Versailles, France • –
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

Versailles, France • –
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

Versailles, France • –
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

Versailles, France •
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

Versailles, France •
Université Paris-Saclay / UVSQ

Licence en informatique

Orsay, France •
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.