論文の概要: An Ocean Model Ported by a Large Language Model: Experience and Lessons from FESOM2 (Fortran to C to C++/Kokkos)
- arxiv url: http://arxiv.org/abs/2606.11356v1
- Date: Tue, 09 Jun 2026 18:32:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-18 15:06:22.107385
- Title: An Ocean Model Ported by a Large Language Model: Experience and Lessons from FESOM2 (Fortran to C to C++/Kokkos)
- Title（参考訳）: 大規模言語モデルで移植されたオーシャンモデル:FESOM2の経験と教訓(CからC++/Kokkosへの変換)
- Abstract要約: 大規模言語モデル(LLM)はソースコードの翻訳と修正が可能であり、複雑さの異なるコードに対してそうすることが示されている。
LLMによるコード翻訳は, 完全生産海洋モデルの物理を保ちながら, 近代的な性能対応型に変換可能であることを実証する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language models (LLMs) can translate and modify source code, and have been shown to do so for codes of different complexity. Whether they can port a complete, production geophysical model to a different language without degrading its physics has not been established. We demonstrate that LLM-assisted code translation can preserve the physics of a complete production ocean model while moving it into a modern performance-portable form. We report our experience using an agentic LLM coding assistant, directed by domain experts, to port the FESOM2 unstructured mesh ocean--sea-ice model (about 74000 lines of core Fortran) first to C and then to C++/Kokkos for performance portability across CPUs and GPUs. We describe the practices that proved necessary, what worked and what did not, and the failure modes that we encountered. Three practices mattered most: translating in two stages that separate reproducing the numerics (Fortran to a clean C reference) from introducing parallelism (C to Kokkos); requiring a strictly literal translation in which the assistant was not permitted to ``improve'' the source; and validating each stage against an acceptance criterion suited to it. The C port reproduces the original Fortran at the level of long-term simulation statistics over five years. The Kokkos port is bit-for-bit identical to the C reference on CPU and statistically close on GPU over multi-year runs. On eddy-rich meshes up to 7.4 million surface vertices a single A100 GPU node runs 1.6--3.7 times faster than a CPU node, reaching the 1-2 simulated-years-per-day required for production integrations. The result is more than a single GPU port: by following a clear validation procedure, an LLM moved a full Fortran ocean model into another language and onto accelerators while preserving its physics in a matter of weeks.
- Abstract（参考訳）: 大きな言語モデル(LLM)はソースコードの翻訳と修正が可能であり、複雑さの異なるコードに対してそうすることが示されている。
完全に生産された物理モデルを、物理を劣化させることなく別の言語に移植できるかどうかは未定である。
LLMによるコード翻訳は, 完全生産海洋モデルの物理を保ちつつ, 近代的な性能対応型に変換可能であることを実証する。
ドメインエキスパートが指導するエージェントLLMコーディングアシスタントを使用して、FESOM2非構造化メッシュ海洋-シースモデル(約74000行のFortranコア)を最初にCに移植し、次にC++/Kokkosに移植し、CPUとGPU間のパフォーマンスポータビリティを実現する。
必要なプラクティス、何がうまくいったのか、何がうまくいかなかったのか、そして私たちが遭遇した障害モードについて説明します。
3つの実践が最も重要であったのは、数字を再現する2つの段階(清浄なC参照への翻訳)と並列性の導入(C to Kokkos)とを区別する2つの段階(C to Kokkos)の翻訳、典拠の「改良」が認められない厳密な翻訳、それに適合する受容基準に対する各段階の検証である。
Cポートは、最初のFortranを5年間にわたる長期シミュレーションの統計レベルで再現する。
KokkosポートはCPU上のC参照と同じビット・フォー・ビットで、統計上はGPU上で複数年動作している。
最大740万面のエッジリッチメッシュ上では、単一のA100 GPUノードがCPUノードよりも1.6～3.7倍速く動作し、運用統合に必要な1日当たりのシミュレーション1～2回に達する。
明確な検証手順に従うことで、LLMは完全なFortranオーシャンモデルを別の言語に移行し、数週間のうちに物理を保存しながらアクセラレータに移行した。
関連論文リスト
- FESOM2-JAX v1.0: a differentiable shadow of the ocean-sea-ice model FESOM2, cast onto GPUs [0.0]
JAXでFinite-volumE Sea ice-Ocean Model (FESOM2) を再実装した FESOM2-JAX について述べる。
FESOM2-JAXはFortranモデルのコードシャドウであり、大きな言語モデルとカーネルによる検証されたカーネルで翻訳された。
新しい数値やパラメータ化から勾配に基づくキャリブレーションや機械学習コンポーネントに至るまで、実験の障壁を低くするために構築されている。
論文 参考訳（メタデータ） (2026-08-02T23:59:18Z) - A Fortran General-Purpose Transpiler: Proof of Concept [0.0]
このギャップを埋めるために設計されたトランスパイラフレームワークであるFGPTを紹介する。
このパイプラインは、FortranをGPU適応のFortranに変換するシステマティックパイプラインを提供する。
手作業による介入を必要とせずに、正しい、差別化可能なPython実装を生成する。
論文 参考訳（メタデータ） (2026-07-31T13:38:16Z) - From Legacy Fortran to Portable Kokkos: An Autonomous Agentic AI Workflow [0.11862655008303463]
大規模言語モデル(LLM)は、ソースコード生成において有望であることを示している。
本稿では、特殊な"エージェント"が協力して、Fortranカーネルを移植可能なKokkos C++プログラムに翻訳、検証、実行、テスト、デバッグ、最適化するエージェントAIワークフローを提案する。
結果は、パイプラインがさまざまなベンチマークカーネルを近代化し、ハードウェアパーティション間でパフォーマンスに優れたKokkosコードを生成することを示している。
論文 参考訳（メタデータ） (2025-09-15T20:50:15Z) - NGPU-LM: GPU-Accelerated N-Gram Language Model for Context-Biasing in Greedy ASR Decoding [54.88765757043535]
この研究は、統計的なn-gram言語モデルのデータ構造を再考し、GPU最適化推論の高速かつ並列な操作を可能にする。
我々のアプローチは NGPU-LM と呼ばれ、7% 未満の計算オーバーヘッドを持つ全ての主要な ASR モデルに対して、カスタマイズ可能なgreedy decoding を導入している。
提案手法は,ビーム探索による顕著な遅延を回避しつつ,greedy と beam search の精度ギャップの50%以上を排除できる。
論文 参考訳（メタデータ） (2025-05-28T20:43:10Z) - CASS: Nvidia to AMD Transpilation with Data, Models, and Benchmark [8.97422045170539]
クロスアーキテクチャGPUコードトランスパイレーションのための,最初の大規模データセットとモデルスイートであるCASSを紹介する。
データセットは、ホストとデバイス間で70万の検証済みコードペアで構成されている。
ドメイン固有言語モデルのCASSファミリーを訓練し、95%のソース翻訳精度と37.5%のアセンブリ翻訳精度を達成する。
論文 参考訳（メタデータ） (2025-05-22T17:48:53Z) - KGym: A Platform and Dataset to Benchmark Large Language Models on Linux Kernel Crash Resolution [59.20933707301566]
大規模言語モデル(LLM)は、ますます現実的なソフトウェア工学(SE)タスクにおいて一貫して改善されている。
現実世界のソフトウェアスタックでは、Linuxカーネルのような基本的なシステムソフトウェアの開発にSEの取り組みが費やされています。
このような大規模システムレベルのソフトウェアを開発する際にMLモデルが有用かどうかを評価するため、kGymとkBenchを紹介する。
論文 参考訳（メタデータ） (2024-07-02T21:44:22Z) - Exploring Continual Learning for Code Generation Models [80.78036093054855]
継続的学習(CL)は、コードドメインの中でまだ過小評価されていない重要な側面である。
コード生成,翻訳,要約,改良など,幅広いタスクをカバーするCodeTask-CLというベンチマークを導入する。
即時選択機構の不安定な訓練により,プロンプトプール (PP) などの有効手法が破滅的な忘れ込みに悩まされることが判明した。
論文 参考訳（メタデータ） (2023-07-05T16:58:39Z) - HDCC: A Hyperdimensional Computing compiler for classification on
embedded systems and high-performance computing [58.720142291102135]
この研究は、HDC分類メソッドの高レベルな記述を最適化されたCコードに変換する最初のオープンソースコンパイラである、ネームコンパイラを紹介している。
nameは現代のコンパイラのように設計されており、直感的で記述的な入力言語、中間表現(IR)、再ターゲット可能なバックエンドを備えている。
これらの主張を裏付けるために,HDC文献で最もよく使われているデータセットについて,HDCCを用いて実験を行った。
論文 参考訳（メタデータ） (2023-04-24T19:16:03Z) - Cramming: Training a Language Model on a Single GPU in One Day [64.18297923419627]
言語モデリングの最近のトレンドは、スケーリングによるパフォーマンス向上に焦点を当てている。
我々は,1つのコンシューマGPU上で1日間,マスク付き言語モデルを用いてゼロから完全に訓練されたトランスフォーマーベース言語モデルで達成可能なダウンストリーム性能について検討した。
この制約された設定であっても、大規模設定で観測されるスケーリングの法則に密接に従う性能を示す。
論文 参考訳（メタデータ） (2022-12-28T18:59:28Z) - Paraphrastic Representations at Scale [134.41025103489224]
私たちは、英語、アラビア語、ドイツ語、フランス語、スペイン語、ロシア語、トルコ語、中国語の訓練されたモデルをリリースします。
我々はこれらのモデルを大量のデータでトレーニングし、元の論文から大幅に性能を向上した。
論文 参考訳（メタデータ） (2021-04-30T16:55:28Z) - Efficient Large-Scale Language Model Training on GPU Clusters [19.00915720435389]
大規模な言語モデルは、様々なタスクに最先端の精度をもたらす。
メモリ容量は限られており、大きなモデルを単一のGPUに収めることは不可能である。
これらのモデルのトレーニングに必要な計算操作の数は、非現実的な長いトレーニング時間をもたらす可能性がある。
論文 参考訳（メタデータ） (2021-04-09T16:43:11Z)
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。