Hỗ trợ chuyển đổi mã mô phỏng thời tiết cũ 250.000 dòng sang GPU bằng AI

Khoa học Máy tính > Điện toán phân tán, song song và cụm arXiv:2608.13122 (cs) [Đệ trình ngày 13/8/2026] Tiêu đề: Chuyển đổi mã mô phỏng thời tiết kế thừa hơn 250.000 dòng sang GPU có hỗ trợ AI, tập trung vào xác thực Tác giả: Tetsuya Hoshino, Masaya Kato, Kazuhisa Tsuboki, Daichi Mukunoki, Takahiro Katagiri, Toshihiro Hanawa Xem bản PDF của bài báo có tiêu đề Chuyển đổi mã mô phỏng thời tiết kế thừa hơn 250.000 dòng sang GPU có hỗ trợ AI, tập trung vào xác thực, của Tetsuya Hoshino và 5 tác giả khác Xem PDF HTML (thử nghiệm) Tóm tắt: Những tiến bộ gần đây trong các mô hình ngôn ngữ lớn đã biến các tác nhân AI dựa trên giao diện dòng lệnh (CLI) thành một công cụ thiết thực để tăng tốc quá trình chuyển đổi các ứng dụng khoa học kế thừa quy mô lớn sang GPU. Tuy nhiên, các ứng dụng này không chỉ đơn thuần là các cơ sở mã cũ; chúng là tài sản khoa học mà độ tin cậy đã được tích lũy thông qua quá trình phát triển lâu dài, so sánh với các quan sát và sử dụng trong các nghiên cứu chuyên ngành. Do đó, việc chuyển đổi sang GPU phải bảo toàn tính hợp lệ khoa học này, đồng thời điều chỉnh việc triển khai cho các hệ thống điện toán hiệu năng cao (HPC) tập trung vào GPU. Bài báo này trình bày một quy trình làm việc chuyển đổi sang GPU có hỗ trợ AI, tập trung vào xác thực, thông qua một nghiên cứu điển hình về CReSS, một mã mô phỏng thời tiết Fortran kế thừa với hơn 250.000 dòng. Quy trình làm việc sử dụng một tác nhân AI để trích xuất các vùng OpenMP, tạo các điểm chuẩn kernel dựa trên dữ liệu (dump-based) từ các trạng thái mô phỏng có ý nghĩa vật lý, áp dụng các phép biến đổi OpenACC và xác thực kết quả thông qua so sánh từng phần tử với dữ liệu tham chiếu đã được lưu trữ và xác thực ở cấp độ ứng dụng. Sử dụng một mô phỏng bão thực tế, quy trình làm việc đã tạo ra các triển khai GPU được xác thực về mặt số học cho 162 kernel mục tiêu và đạt được tốc độ tăng 5,1 lần ở cấp độ ứng dụng trong chi phí phát triển thực tế. Đặc biệt, quy trình này đã phát hiện sự khác biệt số học trong năm kernel do sự khác biệt về số học dấu phẩy động và hàm nội tại, bao gồm sự phân kỳ nhánh nhạy cảm với ngưỡng và hiệu ứng triệt tiêu, cho phép phản hồi cho các nhà phát triển ứng dụng. Nghiên cứu điển hình cho thấy rằng, đối với các ứng dụng khoa học kế thừa quy mô lớn yêu cầu xác thực dựa trên dữ liệu, việc chuyển đổi sang GPU có hỗ trợ AI một cách thiết thực phải quản lý ngữ cảnh kéo dài phiên, tái tạo trạng thái thời gian chạy và phục hồi tốn kém từ những thiếu sót nhỏ trong phân tích tĩnh. Những phát hiện này chứng minh rằng việc chuyển đổi sang GPU có hỗ trợ AI không chỉ yêu cầu tạo mã mà còn yêu cầu thiết kế quy trình làm việc tập trung vào xác thực. Bình luận: 11 trang, 1 hình, 3 bảng. Đã gửi tới AgenticAI4HPC 2026 Chủ đề: Điện toán phân tán, song song và cụm (cs.DC) Trích dẫn dưới dạng: arXiv:2608.13122 [cs.DC] (hoặc arXiv:2608.13122v1 [cs.DC] cho phiên bản này) https://doi.org/10.48550/arXiv.2608.13122 Tập trung để tìm hiểu thêm DOI do arXiv cấp thông qua DataCite (đang chờ đăng ký) Lịch sử đệ trình Từ: Tetsuya Hoshino [xem email] [v1] Thứ Năm, ngày 13/8/2026 11:52:51 UTC (161 KB) Liên kết toàn văn: Truy cập bài báo: Xem bản PDF của bài báo có tiêu đề Chuyển đổi mã mô phỏng thời tiết kế thừa hơn 250.000 dòng sang GPU có hỗ trợ AI, tập trung vào xác thực, của Tetsuya Hoshino và 5 tác giả khác Xem PDF HTML (thử nghiệm) Nguồn TeX xem giấy phép Ngữ cảnh duyệt hiện tại: cs.DC < trước | tiếp > mới | gần đây | 2026-08 Thay đổi để duyệt theo: cs Tài liệu tham khảo & Trích dẫn NASA ADS Google Scholar Semantic Scholar xuất trích dẫn BibTeX Đang tải... Trích dẫn định dạng BibTeX × đang tải... Dữ liệu được cung cấp bởi: Công cụ thư mục Công cụ thư mục và trích dẫn Bibliographic Explorer (Bibliographic Explorer là gì?) Connected Papers (Connected Papers là gì?) Litmaps (Litmaps là gì?) scite.ai scite Smart Citations (Smart Citations là gì?) Mã nguồn, dữ liệu, phương tiện Mã nguồn, dữ liệu và phương tiện liên quan đến bài viết này alphaXiv (alphaXiv là gì?) Liên kết đến mã nguồn CatalyzeX Code Finder for Papers (CatalyzeX là gì?) DagsHub (DagsHub là gì?) GotitPub (Gotit.pub là gì?) Huggingface (Huggingface là gì?) ScienceCast (ScienceCast là gì?) Bản trình diễn Bản trình diễn Replicate (Replicate là gì?) Spaces (Hugging Face Spaces là gì?) Spaces (TXYZ.AI là gì?) Bài viết liên quan Công cụ đề xuất và tìm kiếm Liên kết đến Influence Flower Influence Flower (Influence Flowers là gì?) Công cụ đề xuất CORE CORE Recommender (CORE là gì?) Tác giả Địa điểm Tổ chức Chủ đề Về arXivLabs arXivLabs: Các dự án thử nghiệm với cộng tác viên cộng đồng arXivLabs là một khuôn khổ cho phép các cộng tác viên phát triển và chia sẻ các tính năng arXiv mới trực tiếp trên trang web của chúng tôi. Cả cá nhân và tổ chức làm việc với arXivLabs đều đã chấp nhận và tuân thủ các giá trị của chúng tôi về tính cởi mở, cộng đồng, sự xuất sắc và quyền riêng tư dữ liệu người dùng. arXiv cam kết với những giá trị này và chỉ làm việc với các đối tác tuân thủ chúng. Bạn có ý tưởng cho một dự án sẽ mang lại giá trị cho cộng đồng arXiv không? Tìm hiểu thêm về arXivLabs. Những tác giả nào của bài viết này là người xác nhận? | Tắt MathJax (MathJax là gì?)