レガシーな有限差分法コードをリバースエンジニアリングしてDevitoへ翻訳するAIエージェント

TL;DR（結論）

科学計算の基盤である膨大なレガシーFortranコードを現代的なGPU対応のDevito環境へ移行させるため、GraphRAGと多層的なAIエージェントを組み合わせた統合フレームワークが開発されました。 このシステムは、Devitoのドキュメントやコードから12,793個のノードと62,362個の関係を持つ知識グラフを構築し、Leidenアルゴリズムによるコミュニティ検出を用いて、複雑な技術情報の高精度な検索を実現しています。 Fortranコードの静的解析に基づく3段階のクエリ戦略と、Pydanticによる構造化出力、さらにG-Evalを用いた品質検証を統合することで、数学的な一貫性と実行の正しさを保証する自動翻訳プロセスを確立しました。

なぜこの問題か

現代のハイパフォーマンスコンピューティング（HPC）は、気象予測、気候シミュレーション、核安全解析、計算物理学などの重要なアプリケーションを支える大規模なレガシーFortranコードベースに強く依存しています。これらのコードには数十年にわたるエンジニアリングの知識が蓄積されており、莫大な投資の結果として存在していますが、現代のハードウェアプラットフォームであるGPUやマルチコアプロセッサへの移行、そして急速に進化するソフトウェアエコシステムへの適応が大きな課題となっています。特に、Fortranの経験豊富な開発者が減少しており、現代のコンピュータサイエンス教育からこの言語がほぼ消失していることが、コードの再利用や統合をさらに困難にしています。 既存のコード現代化戦略には顕著な欠点があり、例えばF2PYのような従来のツールはインターフェースのラッピングに主眼を置いており、深い構造の再構築には対応していません。一方で、完全に手動でのリファクタリングは精度を維持できるものの、それに伴う時間と費用のコストは多くの場合において許容できないレベルに達しています。…

核心：何を提案したのか

本研究では、レガシーな有限差分実装をDevito環境へ変換することを促進するために、統合されたAIエージェントフレームワークを提案しています。このシステムは、検索拡張生成（RAG）とオープンソースの大規模言語モデルを、LangGraphアーキテクチャによる多段階の反復ワークフローを通じて組み合わせています。システムの中心的な革新は、ドキュメントの解析、構造を意識したセグメンテーション、エンティティ関係の抽出、そしてLeidenアルゴリズムに基づくコミュニティ検出を通じて、広範なDevito知識グラフを構築した点にあります。 このフレームワークは、地震波シミュレーション、計算流体力学、パフォーマンスチューニングライブラリなどのセマンティックコミュニティにわたるクエリ性能を向上させるために、GraphRAGの最適化を取り入れています。…

続きはログイン/プランで閲覧できます。