AIエージェント、気象コード処理を5.1倍高速化

本論文は、25万行を超える大規模なレガシー科学アプリケーションである Fortran で書かれた気象シミュレーションコード CReSS の GPU ポーティングに関する実践的なケーススタディを記録している。CReSS のような科学コードは単なるレガシーソフトウェアではなく、数十年の開発、観測データに対する検証、および発表済み研究での使用に基づいた信用性に依存している資産である。したがって、GPU ポーティング作業は実行速度を上げるだけでなく、科学的妥当性を保つ必要がある。研究者らのアプローチは最初から検証中心であった。AI エージェントを使用して OpenMP 領域を抽出し、物理的に意味のあるシミュレーション状態からカーネルベンチマークを生成し、OpenACC 変換を適用し、ダンプされた参照データとの要素ごとの比較および台風シミュレーションによるアプリケーションレベル検証を通じて結果を検証した。この設計は重要であることが証明された。ワークフローは 5 つのカーネルで数値の不一致を発見した。これは浮動小数点演算と組み込み関数動作における微妙なエラーであり、純粋なパフォーマンス最適化では見落とされた可能性がある。実践的な開発時間内で達成された 5.1 倍の高速化は、AI 補助ポーティングが実際の本番コードベースにスケーリング可能であることを示唆しているが、ワークフローが検証の失敗をキャッチしてドメイン専門家にレポートするよう設計されている場合に限定される。