要約
本研究では、AIを活用したGPUポーティングの手法を提案しています。特に、25万行を超える古い気象シミュレーションコードであるCReSSを対象に、科学的な信頼性を保持しつつGPUに適応させるためのワークフローを構築しました。AIエージェントは、OpenMP領域の抽出や、物理的に意味のあるシミュレーション状態からのダンプベースのカーネルベンチマーク生成、OpenACC変換の適用を行い、最終的な結果を参照データとの比較を通じて検証します。
このプロセスにより、162のターゲットカーネルに対して数値的に検証されたGPU実装が得られ、実用的な開発コスト内で5.1倍のアプリケーションレベルの速度向上が達成されました。さらに、浮動小数点や内蔵関数の違いによる数値の不一致を検出することができ、開発者へのフィードバックを可能にしました。これにより、AI支援によるGPUポーティングが、単なるコード生成にとどまらず、検証中心のワークフロー設計を必要とすることが示されています。
本研究のケーススタディは、ダンプベースの検証を必要とする大規模な古い科学アプリケーションにおいて、AI支援のGPUポーティングがセッションを跨ぐコンテキスト管理や実行時状態の再構築、小さな静的解析の省略からの回復を考慮する必要があることを示唆しています。これにより、AI技術の進展が科学的なアプリケーションの移行にどのように寄与できるかを探求する重要な一歩となるでしょう。
元記事: https://arxiv.org/abs/2608.13122
公開日: Sat, 15 Aug 2026 22:41:51 +0000
この記事はAIアシスト編集により作成されています。
📰 元記事: 元記事を読む