Wetenschappers hebben een autonoom systeem ontwikkeld dat gebruikmaakt van gespecialiseerde AI-agenten om oude Fortran-programmacode om te zetten naar moderne, draagbare C++-programma's via het Kokkos-framework. Deze innovatie moet de overstap van traditionele CPU-systemen naar moderne GPU-versnelde architecturen in High-Performance Computing (HPC) versnellen.
Binnen de wetenschappelijke gemeenschap is er een aanzienlijke afhankelijkheid van zogenaamde 'legacy' codebases. Dit zijn programma's die oorspronkelijk zijn geschreven in de taal Fortran voor homogene systemen die uitsluitend op centrale processoren (CPU's) draaien. Terwijl de wereld van supercomputers verschuift naar heterogene architecturen met GPU-versnelling, ontstaat er een technisch probleem: veel van deze moderne versnellers beschikken niet over directe ondersteuning voor Fortran.
Volgens een onderzoekspublicatie op arxiv.org is er daardoor een dringende behoefte om deze oude codes te moderniseren om de draagbaarheid tussen verschillende hardware-systemen te waarborgen. Hoewel frameworks zoals Kokkos een oplossing bieden door een abstractielaag in C++ te creëren, is het handmatig omzetten van Fortran naar Kokkos een tijdrovend proces dat zeer specifieke expertise vereist.
Een collaboratief systeem van AI-agenten
Om dit proces te automatiseren, hebben onderzoekers onder wie Sparsh Gupta en Patrick Diehl een 'agentic AI workflow' geïntroduceerd. In plaats van één enkel taalmodel te gebruiken, zet dit systeem een team van gespecialiseerde AI-agenten in die met elkaar samenwerken. Deze agenten voeren een gestructureerde reeks taken uit: ze vertalen de code, valideren de resultaten, compileren de programma's, voeren tests uit, debuggen fouten en optimaliseren uiteindelijk de kernels.
Het doel van deze workflow is om Fortran-kernels om te vormen tot portable Kokkos C++-programma's die efficiënt kunnen draaien op diverse supercomputers. In de context van software engineering wordt de term 'legacy' hier gebruikt om systemen aan te duiden die voortkomen uit een eerdere tijd of geschiedenis, een definitie die ook wordt bevestigd door het cambridge.org.
Prestaties en kosten van verschillende modellen
Het onderzoek toont aan dat de effectiviteit van deze workflow sterk afhankelijk is van het gebruikte taalmodel. De resultaten laten een duidelijk verschil zien tussen commerciële en open-source modellen:
- Betaalde modellen: Modellen zoals GPT-5 en o4-mini-high waren in staat om de workflow succesvol uit te voeren. De kosten hiervoor waren relatief laag, variërend over slechts enkele Amerikaanse dollars. Bovendien produceerden deze modellen geoptimaliseerde codes die de oorspronkelijke Fortran-baselines qua prestaties zelfs overtroffen.
- Open-source modellen: Modellen zoals Llama4-Maverick presteerden aanzienlijk slechter. Volgens de auteurs van het rapport op faalden deze modellen vaak om functionele code te genereren.
Implicaties voor de wetenschap
De succesvolle modernisering van diverse benchmark-kernels bewijst dat agentic AI een levensvatbaar pad biedt voor het automatiseren van complexe, domeinspecifieke redeneertaken. Dit is cruciaal voor wetenschappelijke applicaties die anders vast zouden blijven zitten op verouderde hardware, terwijl de rekenkracht van moderne GPU's onbenut blijft.
Het project, dat is gedocumenteerd in rapport LA-UR-25-28882 en gepubliceerd via , onderstreept de potentie van LLM-gestuurde systemen om niet alleen tekst te genereren, maar ook complexe systeemgeoriënteerde transformaties uit te voeren. Hiermee wordt een brug geslagen tussen historische wetenschappelijke software en de toekomst van heterogene computing.
Voor meer details over de technische implementatie en de gebruikte benchmark-kernels kan het volledige document worden geraadpleegd via de .