🤖 AI

Systematic LLM Translation of Legacy Scientific Code to Differentiable Frameworks: Application to a Land Surface Model

Cet article présente un pipeline agentique en cinq phases basé sur les LLM qui traduit avec succès un modèle de surface terrestre hérité de 19 000 lignes en Fortran vers un framework JAX différentiable, atteignant des gains de performance significatifs en matière de récupération de paramètres et de vitesse de calcul tout en assurant la parité numérique grâce à une correction d'erreurs et une vérification automatisées.

Auteurs originaux : Aya Lahlou, Linnia Hawkins, Pierre Gentine

Publié 2026-06-09

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Aya Lahlou, Linnia Hawkins, Pierre Gentine

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous possédez une immense bibliothèque d'instructions, incroyablement complexe et légèrement poussiéreuse, écrite dans un langage oublié (le Fortran. Cette bibliothèque explique à un ordinateur comment simuler la surface terrestre : comment les plantes respirent, comment le sol chauffe et comment l'eau circule. Elle fonctionne depuis des décennies et elle est parfaite, mais c'est du code « hérité » (legacy) : il est difficile à lire, difficile à modifier et ne peut pas facilement apprendre de nouvelles données.

Les auteurs de cet article voulaient prendre cette vieille bibliothèque et la traduire dans un langage moderne et super intelligent (JAX) qui permet à l'ordinateur non seulement d'exécuter la simulation, mais aussi d'en apprendre grâce à elle. Ils ont créé une équipe d'agents IA (des travailleurs numériques) pour effectuer cette traduction automatiquement.

Voici comment ils ont procédé, expliqué à travers des analogies simples :

1. Le Problème : La bibliothèque « Boîte Noire »

L'ancien code est comme une immense pelote de laine emmêlée. Si vous voulez changer un seul fil (un paramètre), vous devez tout démêler pour voir ce qui se passe. De plus, l'ancien code ne peut pas vous dire pourquoi un résultat s'est produit ou comment le modifier pour obtenir un meilleur résultat. Il se contente de vous donner une réponse.

2. La Solution : L'« Équipe de Construction IA en Cinq Phases »

Au lieu d'engager un humain pour réécrire l'ensemble (ce qui prendrait des années), les auteurs ont créé un pipeline automatisé en cinq étapes utilisant des modèles de langage étendus (LLM). Considérez cela comme une équipe de construction avec des rôles spécifiques :

Phase 1 : L'Architecte (Analyse des dépendances)
Avant de construire quoi que ce soit, l'IA lit l'intégralité du plan pour comprendre comment les pièces sont connectées. Elle détermine quelles parties du code dépendent des autres. Cela garantit qu'elles traduisent le code dans le bon ordre (comme construire les fondations avant le toit) pour que rien ne soit perdu.
Phase 2 : Le Chef de Projet (Documentation de l'état)
L'IA crée un « journal de bord » numérique (des fichiers comme plan.md et CHANGELOG.md). Si l'IA est bloquée ou fait une erreur, elle l'inscrit. Cela sert de mémoire à l'équipe ; si l'IA fait une pause ou redémarre, elle sait exactement où elle en était et ce qui n'a pas fonctionné la dernière fois.
Phase 3 : L'Inspecteur de Contrôle Qualité (L'Oracle Fortran)
C'est l'étape la plus critique. L'IA traduit un petit morceau de l'ancien code dans le nouveau langage. Ensuite, elle exécute l'ancienne version et la nouvelle version côte à côte avec les mêmes entrées exactes. Elle vérifie : « Les chiffres correspondent-ils parfaitement ? » Si le nouveau code dit « 5,0 » et l'ancien dit « 5,0001 », l'IA sait qu'elle a fait une erreur et doit la corriger.
Phase 4 : La Boucle de Réparation (Traduction Itérative)
Si l'inspecteur de contrôle qualité trouve une divergence, l'IA n'abandonne pas. Elle entre dans une « boucle de réparation ». Elle lit l'erreur, devine ce qui a mal tourné, corrige le code et le teste à nouveau. Elle répète ce processus jusqu'à ce que les chiffres correspondent parfaitement. L'article a révélé que cette équipe d'IA pouvait corriger environ 81 % de ses propres erreurs sans aide humaine.
Phase 5 : L'Assemblage Final et le Test de Résistance (Intégration et Différentiabilité)
Une fois que tous les petits morceaux sont traduits et testés, l'IA les assemble en un grand modèle. Ensuite, elle effectue un « test de résistance » spécial pour s'assurer que le modèle peut calculer des gradients (des pentes).
- Analogie : Imaginez conduire une voiture. L'ancien code pouvait vous dire où vous êtes. Le nouveau code peut vous dire exactement comment tourner le volant et à quel point appuyer sur l'accélérateur pour atteindre votre destination plus rapidement. C'est ce que signifie être « différentiable ».

3. Les Résultats : Qu'ont-ils accompli ?

Ils ont appliqué ce processus à un modèle de surface terrestre de 19 000 lignes (CLM-ml-v2). Voici ce qui s'est passé :

Traduction Parfaite : Le nouveau modèle traduit par l'IA a produit des résultats mathématiquement identiques au modèle Fortran d'origine. Ce n'était pas une approximation ; c'était un clone parfait.
Super Vitesse : Lorsqu'ils ont fait tourner le modèle sur une puce informatique conçue pour l'IA (un GPU) avec des milliers de scénarios différents simultanément, il était 24 fois plus rapide que l'ancien code tournant sur un processeur standard.
Vitesse d'Apprentissage : Lorsqu'ils ont tenté d'ajuster le modèle pour trouver les meilleurs réglages (estimation de paramètres), le nouveau modèle a trouvé la réponse en 8 fois moins d'étapes que les anciennes méthodes. C'est comme trouver une aiguille dans une botte de foin en utilisant un aimant plutôt qu'en examinant chaque brin de paille un par un.

4. Pourquoi est-ce important ?

Cet article montre que nous n'avons pas besoin de jeter des décennies de travail scientifique pour utiliser l'IA moderne. Nous pouvons utiliser l'IA pour traduire notre ancien code scientifique, digne de confiance, vers un nouveau format qui est tout aussi précis, mais beaucoup plus rapide et capable d'apprendre.

Les auteurs ont publié leur « équipe de construction » (le pipeline) et le modèle traduit en tant qu'outils ouverts, dans l'espoir que d'autres scientifiques puissent utiliser cette même méthode pour mettre à jour leurs propres logiciels scientifiques anciens.

En bref : Ils ont construit une équipe de robots qui ont lu un vieux manuel d'instructions poussiéreux, l'ont réécrit dans un langage moderne, ont vérifié chaque mot pour s'assurer qu'il était parfait, et ont prouvé que la nouvelle version fonctionne 24 fois plus vite et peut bien mieux apprendre à partir des données que l'ancienne.

Résumé Technique : Traduction Systématique de Code Scientifique Hérité vers des Frameworks Différentiables par LLM

Énoncé du Problème
Les modèles de systèmes terrestres (ESM) hérités, en particulier les modèles de surface terrestre (LSM), sont critiques pour les politiques et les prévisions climatiques mais restent largement inaccessibles aux techniques modernes de programmation différentiable. Ces modèles, qui comprennent souvent des centaines de milliers de lignes de code Fortran, souffrent d'une faible modularité, de composants obsolètes et d'une main-d'œuvre de développeurs en diminution. Bien que la programmation différentiable permette une estimation de paramètres, une analyse de sensibilité et une assimilation de données efficaces basées sur le gradient, la migration des bases de code héritées vers des frameworks différentiables (comme JAX) demeure un défi non résolu. Les tentatives actuelles de modernisation de code impliquent soit des réécritures complètes qui abandonnent la physique héritée, soit échouent à passer à l'échelle au-delà de fonctions isolées en raison des dépendances entre fichiers et du manque de fidélité numérique des traductions par Grands Modèles de Langage (LLM). De plus, les benchmarks actuels des LLM ne mesurent pas de manière adéquate la validité scientifique ou la parité numérique requises pour les modèles physiques.

Méthodologie : Un Pipeline Agentique en Cinq Phases
Les auteurs proposent un pipeline agentique systématique en cinq phases pour traduire le modèle de surface terrestre Fortran CLM-ml-v2, composé de 19 000 lignes et 102 modules, en une implémentation JAX entièrement différentiable nommée clm-ml-jax. Le pipeline repose sur trois principes de conception fondamentaux : l'analyse statique des dépendances, les tests de parité numérique modulaires et la vérification complète des gradients.

Phase 1 : Cadrage et Analyse des Dépendances : Pour éviter les hallucinations des LLM concernant les types de données dans les bases de code couplées, les auteurs effectuent une analyse statique sur le graphe complet des dépendances de modules. Un tri topologique détermine un ordre de traduction respectant les dépendances, garantissant que tous les modules importés sont traduits avant les modules qui en dépendent.
Phase 2 : Configuration de la Documentation de l'État : Le pipeline utilise des documents d'état persistants (CLAUDE.md, plan.md, CHANGELOG.md) pour servir de mémoire externe aux agents. Ces documents encodent les conventions du projet, suivent les indicateurs de complétion et consignent les tentatives infructueuses, permettant une reprise de session cohérente à travers les limites de la fenêtre de contexte et empêchant les agents de revenir sur des impasses.
Phase 3 : Construction de l'Oracle Fortran : Avant la traduction, une équipe d'agents construit une suite de tests fonctionnels. Les sous-programmes sont classés en trois niveaux selon leur testabilité. Le système exécute le code Fortran original sous des entrées fixes pour générer des paires entrée-sortie « dorées », établissant un oracle de référence pour la validation numérique.
Phase 4 : Traduction, Test et Réparation Itératifs : Les modules sont traités dans l'ordre topologique établi en Phase 1. Un agent traducteur génère le code JAX, qui est ensuite validé par un agent de test par rapport à l'oracle Fortran (nécessitant une tolérance relative de $10^{-4}$ ). Si un test échoue, une « Boucle Ralph » (un motif d'orchestration) engage un agent de réparation pour diagnostiquer les écarts, éditer le code et le tester à nouveau de manière autonome jusqu'à ce que le module réussisse ou soit signalé pour examen humain.
Phase 5 : Intégration et Validation de la Différentiabilité : Une fois les modules traduits, un Agent d'Intégration assemble l'ensemble du pipeline de colonne et valide le comportement de bout en bout. Un Agent de Différentiabilité résout ensuite de manière itérative les problèmes spécifiques à JAX, tels que :
- Déroulement de Boucle Statique (Static Loop Unrolling) : Remplacer les boucles for de niveau Python par jax.lax.scan pour tracer les corps de boucle une seule fois lors de la compilation, évitant ainsi des graphes de calcul ingérables pour les solveurs de Runge-Kutta.
- Typage Statique vs Dynamique : Convertir les constantes en scalaires JAX pour éviter une recompilation complète causée par le changement des clés de cache.
- Gardes de Sécurité pour les Branches (Branch-Safe Guards) : Appliquer des bornes inférieures (ex: jnp.maximum(x, 1e-30)) pour prévenir les gradients NaN lors d'opérations comme $0 \times \infty$ dans les expressions jnp.where.
- Adjoints de Théorème de la Fonction Implicite (IFT) : Différencier les solveurs itératifs (ex: conductance stomatale par bisection, longueur de Monin–Obukhov) en utilisant les adjoints IFT plutôt qu'en déroulant la boucle, ce qui produit des gradients incorrects.

Résultats Clés
Le modèle clm-ml-jax résultant a été évalué sur le site AmeriFlux CHATS7 (verger de noyers) avec des données météorologiques de mai 2007.

Équivalence Numérique : Le modèle traduit a atteint une parité numérique quasi parfaite avec la référence Fortran sur 1488 pas de temps, avec des coefficients de corrélation de 1,000 et un biais négligeable pour toutes les variables (ex: chaleur sensible, chaleur latente, GPP).
Exactitude du Gradient : La différenciation par mode inverse a été validée par rapport aux différences finies centrales. Tous les paramètres actifs ont atteint des erreurs relatives inférieures à $1 \times 10^{-4}$ . Le pipeline a géré avec succès des structures complexes, incluant les solveurs itératifs et les sous-étapes de Runge-Kutta.
Efficacité de la Calibration de Paramètres : Dans une preuve de concept de calibration de trois paramètres, l'optimiseur basé sur le gradient L-BFGS-B a récupéré les valeurs réelles avec une précision machine ( $\sim 10^{-19}$ ) en moins de 50 évaluations. Cela était 8 fois plus rapide (en termes d'évaluations) que l'optimiseur sans gradient Nelder-Mead.
Accélération de Performance : En utilisant jax.vmap sur un GPU (Quadro RTX 8000), le modèle a obtenu une accélération de 24x du temps d'exécution (wall-clock) par rapport à l'exécution séquentielle Fortran pour une taille d'ensemble de $N=2\,048$ . Le coût amorti par échantillon est passé de 24,9 ms à 11,4 ms à mesure que la taille de l'ensemble augmentait, tandis que le Fortran est resté plat à $\approx 54$ ms/échantillon.
Efficacité Agentique : Sur 73 tâches de traduction de modules et 46 sessions agentiques, 81,2 % des bugs ont été résolus de manière autonome dès la première tentative. La supervision humaine totale a été estimée à seulement 10–15 heures.

Signification et Revendications
L'article affirme démontrer que les bases de code scientifiques héritées peuvent être systématiquement traduites dans des frameworks entièrement différentiables sans réimplémentation manuelle, préservant ainsi la vérité physique scientifique.

Retombée Scientifique : Ce travail permet l'optimisation de paramètres basée sur le gradient et l'analyse de sensibilité, qui étaient auparavant intraitables pour CLM-ml-v2. L'analyse jacobienne révèle que la température de l'air et le rayonnement de courte longueur dominent les sensibilités de la production primaire brute (GPP) et des flux d'énergie, tandis que $V_{c,max}$ exerce un contrôle distinct.
Contribution Méthodologique : Le papier présente un flux de travail reproductible en cinq étapes avec des boucles de réparation autonomes et une validation par oracle spécifique au domaine. Il quantifie la faisabilité d'une « co-auteurisation » entre les humains et les agents d'IA dans la modernisation du code scientifique, montant qu'une supervision humaine de haut niveau est suffisante pour des tâches de traduction complexes de plusieurs jours.
Réutilisabilité : Le modèle traduit ainsi que l'infrastructure du pipeline sont publiés en tant que framework réutilisable, destiné à soutenir la communauté dans la différenciation d'autres composants de modèles de systèmes terrestres.

Les auteurs positionnent ce travail non pas comme une solution finale pour tous les ESM, mais comme une preuve de concept validée qui comble le fossé entre la physique Fortran héritée et la programmation différentiable moderne, ouvissant la voie à des architectures hybrides physique-ML et à une quantification de l'incertitude plus efficace dans la modélisation climatique.

1. Le Problème : La bibliothèque « Boîte Noire »

2. La Solution : L'« Équipe de Construction IA en Cinq Phases »

3. Les Résultats : Qu'ont-ils accompli ?

4. Pourquoi est-ce important ?

Résumé Technique : Traduction Systématique de Code Scientifique Hérité vers des Frameworks Différentiables par LLM

Articles similaires