Technische Samenvatting: Porting van Declaratieve UI naar HarmonyOS via ArkTrans

Probleemstelling

De opkomst van HarmonyOS heeft gezorgd voor een kritieke vraag naar de migratie van software van gevestigde platforms zoals Android en iOS. De wereld van User Interface (UI) ontwikkeling is echter verschoven van imperatieve paradigma's (bijv. XML, UIKit) naar declaratieve frameworks: Kotlin Jetpack Compose (KJC) voor Android, SwiftUI voor iOS en ArkUI voor HarmonyOS. Bestaande benaderingen voor automatische programmavertaling zijn slecht geschikt voor deze taak, omdat ze primair gericht zijn op backend-logica of legacy imperatieve UI's.

Het direct toepassen van Large Language Models (LLMs) om KJC/SwiftUI naar ArkUI te vertalen, staat voor twee prominente uitdagingen:

1. Onbekendheid met de Programmeertaal (PL): ArkUI is een relatief nieuw framework (officieel gelanceerd in 2023) met een schaarse corpus aan code op hostingplatforms vergeleken met volwassen PL's. Bijgevolg missen state-of-the-art (SOTA) LLM's voldoende trainingsdata om de specifieke syntaxis en het programmeerparadigma van ArkUI te beheersen.
2. Ernstige Syntactische Chaos: Vanwege deze onbekendheid hebben LLM's de neiging om de bron-PL syntaxis te kopiëren of bron- en doelsyntaxis te mengen tijdens de vertaling. Empirische studies wijzen uit dat 40% van de mislukkingen bij direct prompting voortkomt uit syntactische fouten, en zelfs met begeleiding blijven meer dan 50% van de syntactische fouten onopgelost.

Methodologie: ArkTrans

Om deze uitdagingen aan te pakken, stellen de auteurs ArkTrans voor, een heuristisch gestuurde LLM-benadering voor automatische UI-migratie. ArkTrans werkt via een vierfasige pijplijn:

1. Metadata Extractie (ME)

Het systeem parseert bron-UI-bestanden (KJC of SwiftUI) naar een Abstract Syntax Tree (AST) om hiërarchisch metadata te extraheren. Het filtert niet-UI-logica (bijv. lifecycle hooks, property wrappers) eruit en construeert een structurele UI-boom. Elk knooppunt in deze boom is een tuple die het componenttype, eigenschappen (sleutel-waarde paren), modifiers (geketende calls) en kinderen bevat. Dit proces isoleert de pure UI-declaratie van de boilerplate code.

2. Skeleton Constructie (SC)

Met behulp van de geëxtraheerde UI-boom synthetiseert ArkTrans een deterministische ArkUI-skeleton. Deze stap voert cross-PL component mapping uit met behulp van een vooraf gedefinieerde dictionary om bekende componenten, eigenschappen en modifiers te vertalen naar hun ArkUI-tegenhangers. Onbekende elementen worden als commentaar behouden. Het resultaat is een gedeeltelijke ArkUI-codestructuur die de UI-topologie en lay-outbeperkingen definieert, waardoor de maximale preservatie van metadata die niet heuristisch gemigreerd kan worden, wordt gewaarborgd.

3. LLM-gestuurde Vertaling (LT)

Een LLM wordt aangeroepen om de gegenereerde skeleton te vullen met uitvoerbare code. De promptingstrategie omvat:

• System Role & Context: Het verstrekken van de ArkUI-skeleton en geëxtraheerde kleurconstanten.
• One-Shot Learning: Het leveren van een demonstratievoorbeeld dat een vergelijkbare skeleton vertaalt naar ArkUI-code. Dit voorbeeld behandelt veelvoorkomende syntactische valkuilen (eigentoewijzing, modifier chaining, lay-out expansie, state management) om het in-context leren van de LLM te sturen.

4. Post-Fixing (PF)

In het besef dat LLM's nog steeds syntactische fouten produceren, past ArkTrans een regelgebaseerde post-fixing engine toe. Deze fase voert deterministische transformaties uit op basis van empirisch onthulde foutpatronen:

• Constant Inlining (CI): Lost onopgeloste referenties naar externe design tokens (bijv. kleurklassen) op door letterlijke waarden in te voegen en ongebruikte klasse-definities te verwijderen.
• Lexical Rectification (LR): Vervangt bron-PL-specifieke lexicale tokens (bijv. toInt() in Kotlin) door hun ArkUI-tegenhangers (bijv. Number() in ArkTS).
• Layout Property Rectification (LPR): Expandeert directionele shorthand eigenschappen (bijv. padding(horizontal)) naar expliciete ArkUI-eigenschappen (bijv. left, right).
• Structural Integrity Validation (SIV): Valideert component plaatsingsregels (bijv. controleren of Blank componenten alleen binnen lineaire lay-outs zoals Row of Column staan) en herstelt ongebalanceerde delimiters.

Belangrijkste Bijdragen

1. Benchmark Constructie: De auteurs hebben de eerste file-level parallelle UI-migratie benchmark geconstrueerd, bestaande uit 100 samples over acht applicatiescenario's (bijv. E-commerce, Social Media). Deze samples bevatten equivalente KJC en SwiftUI codebestanden die handmatig zijn geverifieerd op functionele en visuele consistentie.
2. Empirische Studie: Een uitgebreide analyse van KJC/SwiftUI-naar-ArkUI vertalingsfouten, waarbij is vastgesteld dat SOTA LLM's volledig falen zonder begeleiding en dat syntactische fouten blijven bestaan zelfs met skeleton-gebaseerde begeleiding.
3. ArkTrans Framework: De voorstel van een skeleton-gestuurd en post-fixing-verbeterd vertaalingsframework dat specifiek is ontworpen voor declaratieve UI-migratie.
4. Progressief Evaluatiesysteem: De vestiging van een multidimensionaal evaluatiesysteem dat zowel de Code Executability (Compilation Success Rate) als de Visual Fidelity (globale metrieken zoals CLIP/Color Histogram en lokale metrieken zoals Position, Size, Color, en Text Integrity) meet.

Experimentele Resultaten

De auteurs evalueerden ArkTrans met SOTA LLM's (GPT-5.2, DeepSeek-V3.2, Kimi-K2-Turbo, GLM-5) tegenover baselines van Direct Prompting en One-Shot Prompting.

• Compilation Success Rate (CSR): Direct en One-Shot prompting faalden om een enkel compileerbaar bestand te genereren (0.00% CSR). In contrast hiermee bereikte ArkTrans een CSR van 53.33%–90.67%. Specifiek bereikte de KJC-naar-ArkUI vertaling 90.67%, terwijl SwiftUI-naar-ArkUI 53.33% bereikte.
• Visual Fidelity: ArkTrans presteerde aanzienlijk beter dan de baselines wat betreft visuele consistentie. Voor KJC-naar-ArkUI bereikte het een CLIP Similarity van 78.89% en een Color Histogram Similarity van 56.01%. Lokale metrieken (Position, Size, Color, Text) toonden ook een hoge getrouwheid, waarbij Text Integrity 82.50% bereikte.
• Ablatie-studies:
  • De ArkUI Skeleton was de primaire drijfveer om de 0% CSR-barrière te doorbreken.
  • One-Shot voorbeelden verbeterden de prestaties aanzienlijk, met name de visuele getrouwheid.
  • Post-Fixing leverde de meest substantiële boost in executabiliteit door de resterende syntactische fouten op te lossen die compilatie verhinderden.
  • Kleurmetadata in prompts werd als onmisbaar beschouwd voor het behoud van visuele integriteit.
• Generaliseerbaarheid: ArkTrans demonstreerde effectiviteit over diverse LLM-architecturen en verbeterde consequent prestaties ongeacht het onderliggende model, hoewel de prestaties licht varieerden op basis van de inherente redeneer-capaciteiten van het model.

Betekenis en Claims

Het artikel claimt dat ArkTrans de eerste benadering is die er succesvol in slaagt UI-migratie aan te pakken als een directe codevertaling tussen moderne declaratieve frameworks. De auteurs benadrukken dat:

• Gestructureerde Begeleiding Cruciaal is: Simpele prompting is onvoldoende voor declaratieve UI-migratie vanwege de "syntax gap" en paradigmaverschuivingen. De combinatie van skeleton constructie en regelgebaseerde post-fixing is noodzakelijk om deze kloof te overbruggen.
• Ecosysteem Verrijking: ArkTrans dient als een krachtig hulpmiddel voor het snel verrijken van het HarmonyOS software-ecosysteem door het automatiseren van het porten van bestaande hoogwaardige UI's van Android en iOS.
• Bescheiden Omvang: De auteurs erkennen dat hoewel de benchmark representatieve scenario's dekt, het mogelijk niet alle industriële schaal edge-cases dekt. Ze merken ook op dat SwiftUI-naar-ArkUI migratie uitdagender blijft dan KJC-naar-ArkUI vanwege striktere type-checking en scoping regels in ArkTS.

Het werk concludeert dat ArkTrans effectief de zero-success barrière verzacht die wordt waargenomen bij ongeleide LLM-vertaling, en een levensvatbaar pad biedt voor declaratieve UI-migratie.