論文の概要: Structuring agentic AI for HPC code modernization

• arxiv url: http://arxiv.org/abs/2606.08710v1
• Date: Sun, 07 Jun 2026 16:07:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.405419
• Title: Structuring agentic AI for HPC code modernization
• Title（参考訳）: HPCコードモダナイゼーションのためのエージェントAIの構築
• Authors: Anthony Marinov, Igor Sfiligoi,
• Abstract要約: NMAP-RKPMは、再生カーネル粒子法(RKPM)に基づく6万行3次元明示的な固体力学エンジンである。 私たちはこのシングルスレッドの Fortran ベースの MPI アプリケーションを,数ヶ月のうちに OpenMP 並列 C++ ベースの MPI ツールに変換しました。 論文は、成功したAI支援ステップと、私たちが克服しなければならない問題の両方と、選択したパスの背後にある理由を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Modernization of legacy scientific codes is often necessary to keep up with the ever-evolving changes in the compute resource ecosystem. Parallelization and migration from poorly supported software ecosystems are two of the most time-consuming activities in the research software engineering field. This paper presents our experience in the successful, two-phase AI-assisted modernization of NMAP-RKPM, a roughly 60,000-line, 3D explicit solid mechanics physics engine based on the Reproducing Kernel Particle Method (RKPM). We converted this single-threaded, Fortran based MPI application into a OpenMP-parallel C++ based MPI tool in the span of a few months. While Large Language Model (LLM) based tools on their own proved inadequate, we developed a highly structured "hand-holding" agentic AI methodology, like providing manually created examples, ensuring continuous buildability and limiting session scope, that was instead highly effective. The paper provides both the AI-assisted steps that were successful and the problems that we had to overcome, alongside the reasoning behind the chosen path.
• Abstract（参考訳）: レガシーな科学コードの近代化は、しばしば計算資源エコシステムにおける絶え間なく進化し続ける変化に追随するために必要である。 サポートの不十分なソフトウェアエコシステムからの並列化と移行は、研究ソフトウェアエンジニアリング分野で最も時間を要する活動の1つです。 本稿では,再現カーネル粒子法(RKPM)に基づく約6万行の3D明示的な物理エンジンであるNMAP-RKPMの2相AI支援による近代化に成功した経験について述べる。 私たちはこのシングルスレッドの Fortran ベースの MPI アプリケーションを,数ヶ月のうちに OpenMP 並列 C++ ベースの MPI ツールに変換しました。 大規模言語モデル(LLM)をベースとしたツール自体が不十分であることが証明された一方で、手作業による例の提供、継続的ビルド可能性の確保、セッションスコープの制限など、高度に構造化された"ハンドホルディング"なエージェントAI方法論を開発しました。 論文は、成功したAI支援ステップと、私たちが克服しなければならない問題の両方と、選択したパスの背後にある理由を提供する。

関連論文リスト

• A Multi-agent AI System for Deep Learning Model Migration from TensorFlow to JAX [1.4085663724094575]
  Googleは、何十ものプロダクトにまたがって機械学習の利用を開拓してきた。 さまざまなMLフレームワークやバージョンで多数のモデルソースコードを維持することは、大きな課題です。 我々は、ディープラーニングモデルからJAXベースのモデルへの自動移行をサポートするために構築した、AIベースのマルチエージェントシステムについて説明する。
  論文  参考訳（メタデータ） (2026-03-28T14:59:40Z)
• EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
  Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。 しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。 実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
  論文  参考訳（メタデータ） (2026-01-29T11:33:49Z)
• "ENERGY STAR" LLM-Enabled Software Engineering Tools [1.628589561701473]
  大規模言語モデル(LLM)が提供する高度な機械学習(ML)機能に焦点を当てる。 提案手法は,LLMに基づくコード生成の品質とエネルギー効率を向上させるために,検索・拡張生成(RAG)とPmpt Engineering Techniques(PET)を組み合わせたものである。 本稿では,多様なモデルアーキテクチャにおけるリアルタイムエネルギー消費と推定時間を測定する包括的フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-27T06:40:57Z)
• Seismology modeling agent: A smart assistant for geophysical researchers [14.28965530601497]
  本稿では,Large Language Models (LLM) を利用したインテリジェントな対話型ワークフローを提案する。 SPECFEMのための最初のモデルコンテキストプロトコル(MCP)サーバスイートを紹介する。 このフレームワークは、完全な自動実行とHuman-in-the-loopコラボレーションの両方をサポートする。
  論文  参考訳（メタデータ） (2025-12-16T14:18:26Z)
• A Survey on Code Generation with LLM-based Agents [61.474191493322415]
  大規模言語モデル(LLM)を利用したコード生成エージェントは、ソフトウェア開発パラダイムに革命をもたらしている。 LLMは3つのコア特徴によって特徴づけられる。 本稿では,LLMに基づくコード生成エージェントの分野を体系的に調査する。
  論文  参考訳（メタデータ） (2025-07-31T18:17:36Z)
• Augmenting software engineering with AI and developing it further towards AI-assisted model-driven software engineering [0.0]
  本稿は,AIを活用したソフトウェア工学の現状を概説し,それに対応する分類学であるai4seを開発した。 ソフトウェア開発におけるAI支援型ビッグデータのビジョンは、両方のアプローチに固有の利点を活かすことを目的としている。
  論文  参考訳（メタデータ） (2024-09-26T16:49:57Z)
• OMPar: Automatic Parallelization with AI-Driven Source-to-Source Compilation [4.266086505323998]
  本稿では,OpenMP pragmasを用いたC/C++コードの並列化を自動化するAI駆動型ツールであるOMParを紹介する。 OMParは、ループ並列化ポテンシャルを評価するOMPifyと、正確なOpenMPパグマを生成する新しい微調整モデルであるMonoCoder-OMPの2つの主要なコンポーネントを通じて、LLM(Large Language Models)を統合している。
  論文  参考訳（メタデータ） (2024-09-23T07:39:01Z)
• Inference Optimization of Foundation Models on AI Accelerators [68.24450520773688]
  トランスフォーマーアーキテクチャを備えた大規模言語モデル(LLM)を含む強力な基礎モデルは、ジェネレーティブAIの新たな時代を支えている。 モデルパラメータの数が数十億に達すると、実際のシナリオにおける推論コストと高いレイテンシーが排除される。 このチュートリアルでは、AIアクセラレータを用いた補完推論最適化テクニックに関する包括的な議論を行っている。
  論文  参考訳（メタデータ） (2024-07-12T09:24:34Z)
• Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
  機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。 私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。 当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
  論文  参考訳（メタデータ） (2021-01-11T15:54:48Z)
• Technology Readiness Levels for AI & ML [79.22051549519989]
  機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。 エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。 我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
  論文  参考訳（メタデータ） (2020-06-21T17:14:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。