Systematic LLM Translation of Legacy Scientific Code to Differentiable Frameworks: Application to a Land Surface Model
यह शोध पत्र एक पांच-चरणीय LLM-आधारित एजेंटिक पाइपलाइन प्रस्तुत करता है जो 19,000-लाइन वाले एक लेगेसी फोर्ट्रान लैंड सरफेस मॉडल को सफलतापूर्वक एक डिफरेंशिएबल JAX फ्रेमवर्क में अनुवादित करता है, जिससे स्वचालित त्रुटि सुधार और सत्यापन के माध्यम से संख्यात्मक समानता सुनिश्चित करते हुए पैरामीटर रिकवरी और कम्प्यूटेशनल गति में महत्वपूर्ण प्रदर्शन लाभ प्राप्त होता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आपके पास निर्देशों का एक विशाल, अविश्वसनीय रूप से जटिल और थोड़ा धूल भरा पुराना पुस्तकालय है जो एक भूली हुई भाषा (Fortran) में लिखा गया है। यह पुस्तकालय कंप्यूटर को पृथ्वी की सतह का अनुकरण (simulate) करने के लिए सटीक निर्देश देता है—कैसे पौधे सांस लेते हैं, कैसे मिट्टी गर्म होती है, और कैसे पानी चलता है। यह दशकों से चल रहा है, और यह पूरी तरह से काम करता है, लेकिन यह "लेगेसी" (legacy) कोड है: इसे पढ़ना, बदलना कठिन है, और यह नए डेटा से आसानी से सीख नहीं सकता।
इस शोध पत्र के लेखकों ने इस पुराने पुस्तकालय को एक आधुनिक, सुपर-स्मार्ट भाषा (JAX) में अनुवाद करने का लक्ष्य रखा, जो कंप्यूटर को न केवल सिमुलेशन चलाने की अनुमति दे, बल्कि इससे सीखने की भी क्षमता दे। उन्होंने इस काम को स्वचालित रूप से करने के लिए AI एजेंटों (डिजिटल श्रमिकों) की एक टीम बनाई।
उन्होंने इसे सरल उपमाओं के माध्यम से समझाया है:
1. समस्या: "ब्लैक बॉक्स" पुस्तकालय
पुराना कोड ऊन के एक विशाल, उलझे हुए गोले की तरह है। यदि आप एक धागा (एक पैरामीटर) बदलना चाहते हैं, तो आपको यह देखने के लिए पूरे गोले को खोलना होगा कि क्या होता है। साथ ही, पुराना कोड आपको यह नहीं बता सकता कि कोई परिणाम क्यों आया या बेहतर परिणाम प्राप्त करने के लिए इसे कैसे बदला जाए। यह बस आपको एक उत्तर दे देता है।
2. समाधान: "पांच-चरणीय AI निर्माण दल"
पूरे हिस्से को फिर से लिखने के लिए मानव को काम पर रखने के बजाय (जिसमें वर्षों लग सकते हैं), लेखकों ने लार्ज लैंग्वेज मॉडल्स (LLMs) का उपयोग करके एक पांच-चरणीय स्वचालित पाइपलाइन बनाई। इसे एक निर्माण दल के रूप में समझें जिसके पास विशिष्ट भूमिकाएँ हैं:
- चरण 1: आर्किटेक्ट (डिपेंडेंसी एनालिसिस)
निर्माण शुरू करने से पहले, AI पूरे ब्लूप्रिंट को पढ़ता है ताकि यह समझ सके कि कमरे एक-दूसरे से कैसे जुड़े हैं। यह पता लगाता है कि कोड के कौन से हिस्से दूसरे हिस्सों पर निर्भर हैं। यह सुनिश्चित करता है कि वे कोड को सही क्रम में अनुवाद करें (जैसे छत बनाने से पहले नींव बनाना) ताकि कुछ भी छूटे नहीं। - चरण 2: प्रोजेक्ट मैनेजर (स्टेट डॉक्यूमेंटेशन)
AI एक डिजिटल "लॉगबुक" (जैसेplan.mdऔरCHANGELOG.mdफाइलें) बनाता है। यदि AI कहीं फंस जाता है या कोई गलती करता है, तो वह इसे लिख देता है। यह दल की स्मृति (memory) के रूप में कार्य करता है, ताकि यदि AI ब्रेक ले ले या फिर से शुरू करे, तो उसे पता हो कि वह कहाँ रुका था और पिछली बार क्या गलत हुआ था। - चरण 3: क्वालिटी कंट्रोल इंस्पेक्टर (फोर्ट्रान ओरकल)
यह सबसे महत्वपूर्ण चरण है। AI पुराने कोड के एक छोटे से हिस्से को नई भाषा में अनुवाद करता है। फिर, वह पुराने संस्करण और नए संस्करण दोनों को बिल्कुल समान इनपुट के साथ अगल-बगल चलाता है। वह जाँचता है: "क्या नंबर पूरी तरह से मेल खाते हैं?" यदि नया कोड "5.0" कहता है और पुराना कोड "5.0001" कहता है, तो AI जानता है कि उसने गलती की है और उसे इसे ठीक करना होगा। - चरण 4: रिपेयर लूप (पुनरावृत्तीय अनुवाद)
यदि क्वालिटी कंट्रोल इंस्पेक्टर को कोई विसंगति मिलती है, तो AI हार नहीं मानता। वह त्रुटि को पढ़ता है, अनुमान लगाता है कि क्या गलत हुआ, कोड को ठीक करता है, और फिर से परीक्षण करता है। वह इसे बार-बार तब तक करता है जब तक कि नंबर पूरी तरह से मेल न खा जाएं। शोध में पाया गया कि यह AI दल बिना किसी मानवीय मदद के अपनी लगभग 81% गलतियों को खुद ठीक कर सकता है। - चरण 5: अंतिम असेंबली और स्ट्रेस टेस्ट (इंटीग्रेशन और डिफरेंशिएबिलिटी)
एक बार जब सभी छोटे टुकड़ों का अनुवाद और परीक्षण हो जाता है, तो AI उन्हें एक बड़े मॉडल में जोड़ देता है। फिर, वह यह सुनिश्चित करने के लिए एक विशेष "स्ट्रेस टेस्ट" करता है कि मॉडल ग्रेडिएंट्स (ढलान) की गणना कर सके।- उपमा: कल्पना कीजिए कि आप कार चला रहे हैं। पुराना कोड आपको बता सकता है कि आप कहाँ हैं। नया कोड आपको ठीक-ठीक बता सकता है कि गंतव्य तक तेज़ी से पहुँचने के लिए आपको स्टीयरिंग व्हील को किस दिशा में घुमाना चाहिए और एक्सीलेटर को कितनी ज़ोर से दबाना चाहिए। यही "डिफरेंशिएबल" (differentiable) होने का अर्थ है।
3. परिणाम: उन्होंने क्या हासिल किया?
उन्होंने इस प्रक्रिया को 19,000 लाइनों वाले लैंड सरफेस मॉडल (CLM-ml-v2) पर लागू किया। यहाँ क्या हुआ:
- परफेक्ट ट्रांसलेशन: नए AI-अनुवादित मॉडल ने पुराने फोर्ट्रान मॉडल के गणितीय रूप से समान परिणाम दिए। यह कोई अनुमान नहीं था; यह एक पूर्ण क्लोन था।
- सुपर स्पीड: जब उन्होंने मॉडल को एक AI चिप (GPU) पर हजारों अलग-अलग परिदृश्यों के साथ एक साथ चलाया, तो यह मानक प्रोसेसर पर चलने वाले पुराने कोड की तुलना में 24 गुना तेज़ था।
- लर्निंग स्पीड: जब उन्होंने मॉडल को सर्वोत्तम सेटिंग्स खोजने (पैरामीटर एस्टीमेशन) के लिए ट्यून करने की कोशिश की, तो नए मॉडल ने पुराने तरीकों की तुलना में 8 गुना कम चरणों में उत्तर खोज लिया। यह घास के ढेर में सुई खोजने के लिए हर घास के टुकड़े को देखने के बजाय चुंबक का उपयोग करने जैसा है।
4. यह क्यों महत्वपूर्ण है
यह शोध पत्र दिखाता है कि हमें आधुनिक AI का उपयोग करने के लिए अपने दशकों के वैज्ञानिक कार्य को फेंकने की आवश्यकता नहीं है। हम अपने पुराने, भरोसेमंद वैज्ञानिक कोड को एक नए प्रारूप में अनुवाद करने के लिए AI का उपयोग कर सकते, जो उतना ही सटीक है लेकिन बहुत तेज़ है और सीखने में सक्षम है।
लेखकों ने अपने "निर्माण दल" (पाइपलाइन) और अनुवादित मॉडल को ओपन टूल्स के रूप में जारी किया है, इस उम्मीद में कि अन्य वैज्ञानिक अपने स्वयं के पुराने वैज्ञानिक सॉफ़्टवेयर को अपग्रेड करने के लिए इसी पद्धति का उपयोग कर सकें।
संक्षेप में: उन्होंने एक रोबोटिक टीम बनाई जिसने एक पुराने, धूल भरे निर्देश मैनुअल को पढ़ा, उसे एक आधुनिक भाषा में फिर से लिखा, यह सुनिश्चित करने के लिए कि वह एकदम सही है हर एक शब्द की दोबारा जाँच की, और साबित किया कि नया संस्करण पुराने वाले की तुलना में 24 गुना तेज़ काम करता है और डेटा से बहुत बेहतर तरीके से सीख सकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।