Aller au contenu
MacLustr
FREN

Journal de recherche

Ce qui est fait, ce qui est en cours, ce qui est proposé

Les entrées sont listées avec leur état. Les travaux terminés renvoient à leur manuscrit ; les travaux en cours ou proposés n'avancent aucun résultat. Pour chaque entrée, j'indique comment le cluster a servi.

Terminé

  1. Working paper

    • Calcul scientifique
    • Apple Silicon et MLX
    • Bancs d'essai reproductibles

    RAID: A Metal-Accelerated C++ Framework for Reproducible High-Frequency Financial Econometrics

    RAID : un cadre C++ accéléré par Metal pour une économétrie financière haute fréquence reproductible

    Un cadre C++20 qui exécute des estimateurs d'économétrie haute fréquence sur les GPU Apple avec Metal, en arithmétique « double-float » pour pallier l'absence de flottants 64 bits sur le GPU, et qui mesure où le GPU bat réellement le CPU.

    Usage du cluster

    Une expérience de l'article exécute la même charge sur onze machines du cluster afin de comparer les générations de puces.

    Référence

    Simon-Pierre Boucher (2026). RAID: A Metal-Accelerated C++ Framework for Reproducible High-Frequency Financial Econometrics. Research Working Papers, Working Paper 40. Lire l'article

  2. Working paper

    • Apprentissage automatique
    • Calcul scientifique

    Multi-Resolution Context in Intraday Probabilistic Return Forecasting: A Pre-Registered, Matched-Budget Measurement on 300 U.S. Instruments

    Contexte multi-résolution en prévision probabiliste intrajournalière des rendements : une mesure préenregistrée à budget apparié sur 300 instruments américains

    Une comparaison préenregistrée d'un transformeur à patchs multi-résolution et de modèles de référence à budget apparié, pour des prévisions probabilistes de rendements de 5 à 60 minutes.

    Usage du cluster

    L'entraînement et l'évaluation ont tourné sur un seul nœud Mac Studio M3 Ultra : une machine, pas une exécution distribuée.

    Référence

    Simon-Pierre Boucher (2026). Multi-Resolution Context in Intraday Probabilistic Return Forecasting: A Pre-Registered, Matched-Budget Measurement on 300 U.S. Instruments. Research Working Papers, Working Paper 41. Lire l'article

  3. Working paper

    • Charges distribuées
    • Calcul scientifique

    Beyond One-Step Distributed Maximum Likelihood: Local Bias Cancellation, Global Synchronization, and the Price of Inexact Curvature

    Au-delà du maximum de vraisemblance distribué en une étape : annulation locale du biais, synchronisation globale et prix d'une courbure inexacte

    Théorie statistique d'estimateurs calculés sur de nombreuses machines et combinés en quelques tours de communication, avec des simulations de Monte-Carlo et des mesures de temps réel sur des hôtes physiques.

    Usage du cluster

    C'est le cas le plus net de parallélisme réellement distribué sur le cluster : l'étude de Monte-Carlo a tourné sur 18 nœuds et le banc d'essai réel a utilisé 16 machines échangeant des messages par TCP.

    Référence

    Simon-Pierre Boucher (2026). Beyond One-Step Distributed Maximum Likelihood: Local Bias Cancellation, Global Synchronization, and the Price of Inexact Curvature. Research Working Papers, Working Paper 28. Lire l'article

  4. Working paper

    • Modèles de langue locaux
    • Apprentissage automatique

    PRISME: Intervention-Supervised Sparse Workspace Editing for Small Language Models

    PRISME : édition d'un espace de travail épars supervisée par intervention pour petits modèles de langue

    Une étude d'architecture pour petits modèles de langue dotés d'un espace de travail épars entraîné sous supervision contrefactuelle. Le résultat principal est négatif et présenté comme tel : le routage appris n'a pas battu l'absence de routage.

    Usage du cluster

    Les entraînements ont été répartis sur des nœuds du cluster comme tâches indépendantes, en complément d'un portable.

    Référence

    Simon-Pierre Boucher (2026). PRISME: Intervention-Supervised Sparse Workspace Editing for Small Language Models. Research Working Papers, Working Paper 31. Lire l'article

En cours

  1. Expérience

    • Modèles de langue locaux
    • Apple Silicon et MLX

    Orchestration d'experts pour modèles à mélange d'experts sur MLX

    Une étude d'exécution sur la disposition et l'ordonnancement de modèles de langue à mélange d'experts sur Apple Silicon. Le manuscrit n'est pas encore public ; aucun résultat n'est donc cité ici.

    Usage du cluster

    S'exécute sur des nœuds individuels avec MLX. Les expériences entre nœuds sont contraintes par les liens 1 GbE mesurés sur chaque machine.

    Référence

    Pas encore de manuscrit public.

Proposé

  1. Protocole

    • Bancs d'essai reproductibles
    • Modèles de langue locaux
    • Apple Silicon et MLX

    Un banc d'essai reproductible d'inférence locale à travers les générations Apple Silicon

    Prévu : les mêmes modèles ouverts, quantifications et invites mesurés sur chaque famille de puces de l'inventaire, du M1 Max au M6, selon le protocole publié sur la page des bancs d'essai. Aucune mesure n'est encore publiée.

    Usage du cluster

    Utiliserait un nœud par famille de puces, un à la fois, sans autre charge sur la machine.

    Référence

    Pas encore de manuscrit public.

Pile logicielle

Ce avec quoi les expériences ci-dessus sont construites.

Modèles
MLX et mlx-lm pour les modèles de langue sur GPU Apple ; PyTorch pour l'entraînement classique
Calcul numérique
C++20 avec Metal pour des noyaux GPU sur mesure ; pile scientifique Python pour l'analyse
Données
Fichiers en colonnes sur SSD local, PostgreSQL sur le nœud qui en a besoin
Exploitation
Un orchestrateur maison, un gestionnaire de processus par nœud, git comme source de vérité

Propriété et affiliation

MacLustr est une propriété personnelle, financée et exploitée à titre personnel. Il n'appartient à aucune université ni autre institution, et n'est ni financé ni cautionné par l'une d'elles. Les articles listés ici portent leurs propres mentions d'auteur et de collection.