An Agentic Workflow for Legacy HPC Modernization: Converting the Two-Electron-Integral Core of GAMESS
Dit artikel presenteert een agentic workflow die er succesvol in is geslaagd om 56.448 regels legacy Fortran 77-code in de GAMESS kwantumchemie-package te moderniseren naar Fortran 2008 door gebruik te maken van drie op prompts gespecialiseerde AI-agents onder menselijk toezicht en een rigoureuze bit-voor-bit verificatie-oracle, waarbij een perfecte validatie over 612 testruns werd bereikt.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je de wereld van supercomputers voor als een enorme, eeuwenoude bibliotheek waar de belangrijkste boeken zijn geschreven in een taal genaamd Fortran. Decennialang hebben wetenschappers deze boeken gebruikt om te voorspellen hoe atomen aan elkaar plakken, hoe nieuwe medicijnen zouden kunnen werken en hoe het weer zal veranderen. Maar veel van deze bojes zijn geschreven in een ouderwetse stijl, zoals handgeschreven aantekeningen op vergeeld papier die slechts enkele experts kunnen lezen. Deze "oude stijl" maakt het moeilijk om moderne tools te gebruiken, zoals supersnelle grafische kaarten of nieuwe soorten processors, om problemen sneller op te lossen. De grote vraag waarmee wetenschappers worden geconfronteerd is: Kunnen we deze eeuwenoude boeken herschrijven naar een modern, gemakkelijk leesbaar formaat zonder per ongeluk ook maar één woord van de wiskunde erin te veranderen? Als we zelfs maar één klein cijfer in de berekeningen veranderen, kan de hele voorspelling fout zijn, wat leidt tot mislukte experimenten of onjuiste wetenschappelijke ontdekkingen jaren later.
Dit artikel vertelt het verhaal van een team dat probeerde dit probleem op te lossen met behulp van een nieuw soort "digitale assistent" genaamd een AI-agent. In plaats van dat een mens zich bezighoudt met het herschrijven van miljoenen regels code, stelden ze een team van AI-robots op om het zware werk te doen. Deze robots vervingenen niet alleen blindelings woorden; ze kregen een strikt pakket aan regels en een "waarheidsdetector" die hun werk met perfecte precisie kon controleren. Het team concentreerde zich op een specifiek, cruciaal deel van een beroemde chemische softwarepackage genaamd GAMESS, die berekent hoe elektronen elkaar afstoten. Ze vroegen zich af: Hoeveel van deze enorme, gevaarlijke herschrijftaken kunnen we veilig overlaten aan AI, en waar hebben we nog steeds een mens nodig om het werk te controleren?
Het Verhaal van de Robot-Herschrijvers
De onderzoekers zetten een slim systeem op waarbij drie verschillende "robotrollen" samenwerkten, allemaal geleid door een regelboek dat de robots zelf schreven en bijwerkten terwijl ze bezig waren. Denk aan een bouwploeg waarbij de ene robot de Bouwer is, een andere de Inspecteur en de derde de Architect.
- De Bouwer: Deze robot nam de oude, rommelige code (geschreven in een stijl genaamd Fortran 77) en herschreef deze naar een moderne stijl (Fortran 2008). Hij moest voorzichtig zijn om de wiskunde niet te veranderen, alleen de manier waarop de instructies werden geschreven.
- De Inspecteur: Deze robot haalde de nieuwe code door een reeks tests. Hij vergeleek de resultaten van de nieuwe code met die van de oude code, zoekend naar zelfs de kleinste verschil.
- De Architect: Deze robot controleerde of de nieuwe code alle stijlregels volgde, zoals het controleren of er geen ouderwetse "Go To"-sprongen meer achterbleven, tenzij die absoluut noodzakelijk waren.
Het meest opwindende deel is dat deze robots in staat waren om hun eigen fouten te herstellen. Wanneer ze een probleem ontdekten, stopten ze niet alleen; ze schreven een nieuwe regel in hun regelboek zodat ze diezelfde fout niet nogmaals zouden maken.
De Resultaten: Een Perfecte Score
Het team koos een zeer moeilijk doelwit: 12 bronbestanden met 56.448 regels code en 225 subroutines. Dit is de "motor" van de GAMESS-software, het deel dat het zware werk doet voor de kwantumchemie.
De resultaten waren verrassend succesvol. De AI-agenten slaagden erin om alle 12 bestanden te herschrijven. Wanneer ze de tests uitvoerden, produceerde de nieuwe code resultaten die bit-voor-bit identiek waren aan de oude code. Dit betekent dat als de oude code een energieniveau berekende als 12,3456789012, de nieuwe code exact 12,3456789012 berekende. In de wereld van de wetenschap wordt een verschil in de twaalfde decimaal als een fout beschouwd, maar hier was het verschil nul.
Van de 612 testruns waren er nul chemisch relevante verschillen. De robots slaagden voor elke enkele test, inclusief de standaard 49 tests die door de GAMESS-gemeenschap worden gebruikt en 2 extra tests die het team had toegevoegd.
De Eén Enige Fout en het Menselijke Veiligheidsnet
Echter, het verhaal gaat niet over robots die perfect zijn; het gaat over hoe ze met mensen samenwerken. De robots maakten één specifiek soort fout. Ze stuitten op een lastig stuk code waar getallen op een specifieke manier dicht op elkaar gepakt waren. De robots vertaalden de code getrouw, maar ze realiseerden zich niet dat de originele code een verborgen fout bevatte die alleen onder zeer specifieke, extreme omstandigheden naar voren kwam. Omdat de robots de regels zo strikt volgden, kopieerden ze de fout samen met de rest van de code.
Dit is waar het menselijke veiligheidsnet in beeld kwam. Het team hanteerde een strikte regel: de robots mochten hun werk niet samenvoegen voordat een mens het had goedgekeurd. Toen de tests werden uitgevoerd, vingen ze deze ene fout op. De robots gebruikten vervolgens een slimme techniek genaamd "bisection" (zoals een detective die een verdachte lijst inkort) om precies te vinden welke regel fout was. Ze herstelden het, en schreven vervolgens een nieuwe regel in hun regelboek om ervoor te zorgen dat geen toekomstige robot deze fout ooit nog zou maken.
Het artikel laat zien dat hoewel de robots bijna al het werk konden doen—het lezen van de code, het herschrijven, het testen en zelfs het oplossen van hun eigen bugs—ze nog steeds een mens nodig hadden om de uiteindelijke beslissing te nemen of de resultaten acceptabel waren. De robots hanteerden het volume, maar de mensen hanteerden het oordeel.
Waarom Dit Er Toe Doet
Deze studie bewijst dat we AI kunnen gebruiken om enorme, eeuwenoude wetenschappelijke codebases te moderniseren zonder ze te breken. De sleutel was niet alleen een slimme AI; het was een strikt verificatiesysteem (de "waarheidsdetector") dat zelfs de kleinste fouten kon opvangen. Omdat de wetenschappers een perfecte manier hadden om de antwoorden te controleren (door ze te vergelijken met bekende, correcte waarden), konden ze de robots vertrouwen om het werk te doen.
Het artikel suggereert dat deze aanpak kan worden gebruikt voor andere grote wetenschappelijke projecten, maar waarschuwt ook dat dit alleen werkt als je een manier hebt om de resultaten perfect te controleren. Als je geen "gouden standaard" hebt om tegen te vergelijken, kun je er niet zeker van zijn dat de robots de wiskunde niet hebben veranderd. In dit geval deden de robots het zware werk, boden de mensen het veiligheidsnet, en samen hebben ze een stuk wetenschappelijke geschiedenis succesvol bijgewerkt zonder ook maar één cijfer aan nauwkeurigheid te verliezen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.