查看PDF HTML（实验性）摘要：最近大型语言模型的进展使基于CLI的AI代理成为加速遗留科学应用GPU移植的实用工具。然而，这些应用不仅仅是旧的代码库；它们是经过长期开发、与观测比较和领域研究使用积累的科学资产。因此，GPU移植必须在适应GPU中心的高性能计算系统的同时，保持这种科学有效性。本文通过对CReSS的案例研究，提出了一种以验证为核心的AI辅助GPU移植工作流程，CReSS是一个超过250,000行的遗留Fortran天气模拟代码。该工作流程利用AI代理提取OpenMP区域，从物理上有意义的模拟状态生成基于转储的内核基准，应用OpenACC变换，并通过与转储参考数据进行逐元素比较和应用级验证来验证结果。在实际的台风模拟中，该工作流程为162个目标内核生成了数值验证的GPU实现，并在实际的开发成本内实现了5.1倍的应用级加速。特别是，它检测到五个内核中由于浮点和内在函数差异造成的数值不一致，包括阈值敏感的分支分歧和消除效应，从而为应用开发者提供了反馈。案例研究表明，对于需要基于转储验证的大型遗留科学应用，实际的AI辅助GPU移植必须管理跨会话上下文、运行时状态重建以及从小的静态分析遗漏中高成本恢复。这些发现表明，AI辅助的GPU移植不仅需要代码生成，还需要以验证为核心的工作流程设计。评论：11页，1个图，3个表。已提交至AgenticAI4HPC 2026 主题：分布式、并行和集群计算（cs.DC） 引用为：arXiv:2608.13122 [cs.DC]（或arXiv:2608.13122v1 [cs.DC]，适用于此版本） https://doi.org/10.48550/arXiv.2608.13122 arXiv发行的DOI通过DataCite（待注册） 提交历史来自：Tetsuya Hoshino [查看邮件] [v1] 2026年8月13日星期四11:52:51 UTC (161 KB)