論文の概要: A Fortran General-Purpose Transpiler: Proof of Concept

• arxiv url: http://arxiv.org/abs/2608.00130v2
• Date: Thu, 06 Aug 2026 21:22:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 14:11:30.887975
• Title: A Fortran General-Purpose Transpiler: Proof of Concept
• Title（参考訳）: Fortran General-Purpose Transpiler:概念実証
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Fortran has been the cornerstone of high-performance computing for decades and remains unmatched in many domains. Yet the language faces an expertise gap: a new generation of scientists is barely familiar with it, while many experienced Fortran developers are only now transitioning to modern ecosystems such as JAX. This gap often results in "Fython" - Python code written with a Fortran mindset - that fails to leverage modern frameworks. We present FGPT, a transpiler framework designed to bridge this gap. It provides a systematic pipeline that transpiles Fortran into GPU-adapted Fortran, auto-differentiable Fortran via Tapenade, or NumPy and JAX scripts. Its architecture comprises three stages: (i) a frontend that parses Fortran and extracts target procedures along with all their dependencies; (ii) a middle-end that lowers the code into an intermediate representation, then into GPU-adapted or auto-differentiable Fortran, or a NumPy class; and (iii) a backend that transforms NumPy scripts into JAX modules optimized for GPU acceleration and automatic differentiation. Large language models fail when applied to the scale of community scientific codes-often spanning hundreds of thousands of lines-where consistent transformations, strict numerical fidelity, and validation against production tests are non-negotiable. FGPT addresses these challenges by preserving program semantics throughout the entire translation. We verified the framework on representative climate modeling kernels and demonstrated that it produces correct, differentiable Python implementations without requiring manual intervention. By combining rigorous compiler techniques with modern accelerator support, FGPT offers a scalable, trustworthy path for modernizing legacy Fortran code.
• Abstract（参考訳）: Fortranは数十年間、高性能コンピューティングの基盤であり、多くの領域で未適合のままである。 しかし、この言語は専門的なギャップに直面している。新しい世代の科学者は、ほとんど知らないが、多くの経験豊富なFortran開発者は、現在、JAXのようなモダンなエコシステムに移行するばかりである。 このギャップは、モダンフレームワークの活用に失敗する"Fython" – Fortranマインドセットで書かれたPythonコード – に生じることが多い。 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。 FortranをGPU対応のFortranに、Tapenade経由で自動微分可能なFortran、NumPyとJAXスクリプトに変換する、システマティックパイプラインを提供する。 建築は3つの段階からなる。 i) Fortranを解析し,すべての依存関係と共に対象手続を抽出するフロントエンド (ii) コードを中間表現に減らし、GPU適応型または自動微分可能なFortran、あるいはNumPyクラスにします。 (iii) NumPyスクリプトをGPUアクセラレーションと自動微分に最適化されたJAXモジュールに変換するバックエンド。 大規模な言語モデルは、数十万行に及ぶ一貫した変換、厳密な数値の忠実さ、生産テストに対する検証など、コミュニティの科学的規範の規模に適用されると失敗する。 FGPTは、翻訳全体を通してプログラムのセマンティクスを保存することで、これらの課題に対処する。 我々は,代表的な気候モデリングカーネルのフレームワークを検証し,手動による介入を必要とせずに,正しい,差別化可能なPython実装を生成することを実証した。 厳格なコンパイラ技術と現代的なアクセラレータサポートを組み合わせることで、FGPTはレガシーなFortranコードを近代化するためのスケーラブルで信頼性の高いパスを提供する。

関連論文リスト

• AlgoVeri: An Aligned Benchmark for Verified Code Generation on Classical Algorithms [54.99368693313797]
  既存のベンチマークでは、個々の言語/ツールのみをテストするため、パフォーマンス番号は直接比較できない。 このギャップに対処するAlgoVeriは、Dafny、Verus、Leanで77ドルの古典的アルゴリズムのベリコーディングを評価するベンチマークです。
  論文  参考訳（メタデータ） (2026-02-10T06:58:26Z)
• BRIDGE: Building Representations In Domain Guided Program Verification [67.36686119518441]
  BRIDGEは、検証をコード、仕様、証明の3つの相互接続ドメインに分解する。 提案手法は, 標準誤差フィードバック法よりも精度と効率を著しく向上することを示す。
  論文  参考訳（メタデータ） (2025-11-26T06:39:19Z)
• 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)
• Qwen3 Technical Report [137.96804244102205]
  Qwenモデルファミリの最新バージョンであるQwen3を紹介します。 Qwen3は、性能、効率、多言語機能を向上させるために設計された一連の大規模言語モデル(LLM)から構成されている。
  論文  参考訳（メタデータ） (2025-05-14T13:41:34Z)
• Fortran2CPP: Automating Fortran-to-C++ Translation using LLMs via Multi-Turn Dialogue and Dual-Agent Integration [10.985254527043429]
  私たちのデータセットは、コード翻訳、コンパイル、実行、ユニットテスト、エラー修正を含む、フィードバック決定をキャプチャする1.7kの対話で構成されています。 このデータセットを使用して、CodeBLEUスコアの最大3.31倍の改善と、コンパイル成功率の92%向上を実現した。
  論文  参考訳（メタデータ） (2024-12-27T18:06:25Z)
• Leveraging Large Language Models for Code Translation and Software Development in Scientific Computing [0.9668407688201359]
  生成人工知能(GenAI)は、科学計算における生産性を変革する。 我々は、コード変換の効率的なプロセスを確立するために、プロンプトエンジニアリングとユーザ管理を組み合わせたCodeScribeというツールを開発した。 AIによるコード翻訳の課題にも対処し、科学計算における生産性向上のメリットを強調します。
  論文  参考訳（メタデータ） (2024-10-31T16:48:41Z)
• CRUXEval-X: A Benchmark for Multilingual Code Reasoning, Understanding and Execution [50.1875460416205]
  CRUXEVAL-Xコード推論ベンチマークには19のプログラミング言語が含まれている。 各言語に対して少なくとも600人の被験者で構成され、合計19Kのコンテンツ一貫性テストがある。 Pythonでのみトレーニングされたモデルでさえ、他の言語で34.4%のPass@1を達成することができる。
  論文  参考訳（メタデータ） (2024-08-23T11:43:00Z)
• StmtTree: An Easy-to-Use yet Versatile Fortran Transformation Toolkit [7.477012296839271]
  私たちはこの問題に対処するための新しいFortranコード変換ツールキットであるStmtTreeを紹介します。 StmtTreeはFortran文法をステートメントツリーに抽象化し、低レベル表現操作APIと、高レベルで使いやすいクエリとミニ言語操作の両方を提供する。 実験によると、StmtTreeはレガシーなFortran-77コードによく適応しており、未使用のステートメントを削除するなどの複雑なツールは100行未満のpythonコードで開発することができる。
  論文  参考訳（メタデータ） (2024-07-08T06:23:13Z)
• 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)
• Outline, Then Details: Syntactically Guided Coarse-To-Fine Code Generation [61.50286000143233]
  ChainCoderは、Pythonコードを段階的に生成するプログラム合成言語モデルである。 自然言語記述と構文的に整合したI/Oデータサンプルを共同で符号化するために、カスタマイズされたトランスフォーマーアーキテクチャを利用する。
  論文  参考訳（メタデータ） (2023-04-28T01:47:09Z)
• 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)
• CryptOpt: Verified Compilation with Randomized Program Search for Cryptographic Primitives (full version) [12.790826917588575]
  暗号は例外であり、多くのパフォーマンスクリティカルなルーチンがアセンブリで直接書かれてきた。 CryptOptは、GCCやClangが生成するものよりもはるかに高速なアセンブリコードに高レベルの暗号関数プログラムを専門とする、最初のコンパイルパイプラインである。 形式検証の面では、FiatOptフレームワーク(関数型プログラムをCライクなIRコードに変換する)に接続し、新たに公式に認証されたプログラム等価チェッカーで拡張する。
  論文  参考訳（メタデータ） (2022-11-19T11:07:39Z)
• NAPG: Non-Autoregressive Program Generation for Hybrid Tabular-Textual Question Answering [52.10214317661547]
  現在の数値推論法はプログラムシーケンスを自己回帰的にデコードする。 プログラム生成の精度は、デコードステップがエラー伝搬によって展開されるにつれて急激に低下する。 本稿では,非自己回帰型プログラム生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-07T11:25:21Z)

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。