Краткое содержание

arXiv:2509.12443v3 Тип объявления: кросс Аннотация: Научные приложения продолжают полагаться на унаследованные кодовые базы на языке Fortran, изначально разработанные для однородных систем на базе ЦП. По мере того как высокопроизводительные вычисления (High-Performance Computing, HPC) переходят к гетерогенным архитектурам с ускорением на GPU, многие ускорители не имеют нативных привязок к Fortran, что создает острую необходимость в модернизации устаревшего кода ради переносимости. Фреймворки вроде Kokkos обеспечивают переносимость производительности и единую абстракцию на основе C++, однако ручная портировка из Fortran в Kokkos требует значительных знаний и времени. Большие языковые модели (Large Language Models, LLM) продемонстрировали потенциал в генерации исходного кода из исходного, но их использование в полностью автономных рабочих процессах по переводу и оптимизации параллельного кода пока остается малоизученной областью, особенно применительно к обеспечению переносимости производительности на разнообразном оборудовании. В данной статье представлен агентный рабочий процесс искусственного интеллекта, где специализированные агенты на основе LLM сотрудничают друг с другом для перевода, проверки, компиляции, выполнения, тестирования, отладки и оптимизации ядер Fortran в переносимый вид.