An Ocean Model Ported by a Large Language Model: Experience and Lessons from FESOM2 (Fortran to C to C++/Kokkos)

本文表明，在领域专家的指导下，通过严格的两阶段翻译和严谨的验证过程，一个代理型大语言模型成功地将拥有 74,000 行代码的 Fortran FESOM2 海洋模型移植到了 C++/Kokkos，同时在保持其物理特性并实现 GPU 上显著性能提升的同时完成了这一任务。

要点

想象一下，你拥有一份极其庞大、极其复杂且非常成功的五星级菜肴食谱。这份食谱是用一种非常古老且专业的语言（我们称之为“Fortran”）编写的，只有少数大师级厨师才能理解。它已经经过了数十年的测试，大家都知道它效果完美。然而，厨房正在发生变化：新的烤箱（现代超级计算机，配备强大的 GPU）不再理解“Fortran”了，它们说的是“C++”。

问题在于，将这份 74,000 行的食谱从旧语言翻译成新语言，就像是在试图翻译一部小说的同时，还要在重建写有这部小说的房子。如果你在数学计算中哪怕出了一个微小的差错，这道菜可能会变成毒药，或者导致厨房起火。通常，这需要一个专家团队花费数年时间来完成。

这篇论文描述了一个新的实验：能否让 AI（大语言模型）为我们完成这项翻译工作，并且能否在不破坏食谱的前提下完成？

以下是他们是如何实现的，使用了简单的类比：

1. 两步走翻译策略

他们并没有要求 AI 直接从“旧语言”跳跃到“新的高速语言”，而是强迫它绕了一个弯。

• 第一步：“洁净副本”（Fortran → C）： 首先，他们要求 AI 将食谱翻译成一种更简单的中间语言——“C”。

  • 规则： AI 被严格禁止“改进”食谱。它不能为了让食谱变得“更好”而更换食材，也不能为了提高效率而改变烹饪时间。它必须进行字面意义上的、逐词逐句的复制。
  • 目标： 为了确保“风味”（物理特性）保持完全一致。他们运行了这个新的“C”版本，模拟了五年的时间。它的味道与原始的“Fortran”版本完全一致，其差异微小到如同大海中的一粒盐。

• 第二步：“速度升级”（C → C++/Kokkos）： 一旦证明了“C”版本是完美的，他们便要求 AI 将其翻译成现代的“C++”语言，这种语言专门为运行在超高速 GPU 烤箱上的程序而设计。

  • 安全网： 因为“C”版本已经足够完美，AI 现在可以专注于速度。他们检查了每一个烹饪步骤，以确保新的“C++”版本在标准计算机上产生的数值与“C”版本产生的数值完全相同。

2. “双胞胎”检查系统

他们是如何知道 AI 没有偷偷塞进错误呢？他们使用了一套“双胞胎”系统。

想象一下，你有一个大师级厨师（原始代码）和一个学生厨师（新代码）。每当学生厨师切一个洋葱时，他们都必须立即向大师展示结果。

• “双胞胎”测试： 对于每一个烹饪步骤，计算机都会让新代码和旧代码并排运行。如果数值偏差哪怕只有极小的部分，系统就会发出尖叫：“停！”并告诉 AI：“你在这一步搞砸了。”
• “陈旧光晕”陷阱： AI 常犯的一个错误是忘记更新数据的边缘（比如忘记在两次切割之间清洗案板）。团队构建了一个特殊的“探测器”，专门检查边缘部分，以捕捉这些隐形的错误。

3. 结果：速度与精度

实验取得了成功。以下是发生的情况：

• 精度： 新的代码在科学上是值得信赖的。在五年的模拟过程中，新版本的海洋温度和盐度与原始版本几乎无法区分。在新的超高速 GPU 上，结果在“统计学上是接近的”——这意味着微小的差异仅仅是由于计算机处理数学的方式不同，而不是因为物理原理出错了。
• 速度： 新代码可以在现代 GPU（如 NVIDIA A100）上运行，并且比旧代码在标准 CPU 上运行的速度快 1.6 到 3.7 倍。
• 可移植性： 最棒的部分是？他们只编写了一次代码，它就可以在不同的超级计算机（NVIDIA、AMD 等）上运行，而无需重新编写。它就像一个万能适配器，可以适配任何插座。

4. 哪里出了问题（以及他们如何修复它）

AI 并不完美。它试图通过简化来“帮忙”，这差点破坏了物理特性。

• “简化”陷阱： AI 想要舍入数字或更改常数值，因为它看起来更“整洁”。团队必须严格禁止这一点。他们告诉 AI：“如果原始数据是 0.1，你就写 0.1。不要猜测。”
• “注释”陷阱： AI 有时会读取代码中的一条注释，上面写着“数值为 5”，但实际代码却是“数值为 10”。AI 相信了注释。团队通过强制要求 AI 每次都检查实际的代码行来解决了这个问题。

核心结论

这篇论文证明了，只要有正确的规则和严格的“安全阶梯”式检查，AI 可以在短短几周内将一个庞大、复杂的科学模型从旧语言翻译成新的、超高速的语言。

它不仅仅是复制了代码；它保留了科学性。海洋模型依然表现得像真实的海洋一样，但现在它运行得足够快，能够帮助我们在世界上最强大的计算机上预测未来的气候。关键不在于 AI 本身，而在于引导它的人类的纪律性：严格的规则、字面的翻译以及不断的检查。

技术摘要

技术摘要：由大语言模型移植的海洋模型

问题陈述
气候预测正日益要求公里级的海洋分辨率，这使得将成熟的大规模 Fortran 海洋全球环流模型（GCM）迁移到现代硬件（特别是 GPU）上变得至关重要。然而，这些通常为分布式内存 CPU 集群开发并运行了数十年的模型，在移植过程中面临显著障碍：缺乏具备领域知识、移植经验和性能调优能力的专业人才，以及在翻译过程中保持科学保真度的难度。虽然大语言模型（LLM）在翻译较小的代码段或单个函数方面已展示出成功，但目前尚未证实 LLM 是否能够在不降低其物理特性或数值精度的情况下，将一个完整的、生产级的地球物理模型移植到另一种语言和框架（特别是针对 GPU 加速）中。

方法论
作者使用代理式 LLM 编程助手（使用 Claude Code 及 Opus 4.7 模型），在领域专家的指导下，完成了 FESOM2 的移植。FESOM2 是一个非结构化网格有限体积海洋-海冰模型（约 74,000 行核心 Fortran 代码）。为了确保可靠性，移植过程围绕三个关键实践构建：

1. 两阶段翻译： 翻译被分为两个不同的阶段，以将数值正确性与并行化分离。

   • 第一阶段（Fortran 到 C）： 将模型翻译为一个干净的、单线程的 C 参考版本。此阶段将高度可配置的 Fortran 代码折叠为所使用的特定配置，解决了关于活跃编译时选项和运行时默认值的歧义。翻译严格遵循字面意思，禁止 LLM 对代码进行“改进”或简化。
   • 第二阶段（C 到 C++/Kokкоs）： 将 C 参考版本封装在 C++ 中，并使用 Kokios 性能可移植层以支持同时针对 CPU 和 GPU。此阶段侧重于并行化，同时保留 C 参考版本的算术逻辑。

2. 严格的字面翻译： 指令要求 LLM 进行逐行翻译，包括将 1-based 索引转换为 0-based 索引，将列优先存储适配为行优先存储，并将全局 USE 变量转换为结构体传递。不允许进行任何语义变更。这确保了任何偏差都源于移植错误而非物理特性的修改。

3. 分层验证阶梯： 在每个阶段都应用了严密的验证框架：

   • Fortran 到 C： 通过长期统计一致性（5 年积分）而非位对位（bit-for-bit）等价进行验证，因为语言和编译器的差异使得精确的字节级匹配无法实现。
   • C 到 Kokkos (CPU)： 在确定性后端（Serial/OpenMP）上通过与 C 参考版本的位对位一致性进行验证。
   • Kokkos (GPU)： 通过在 GPU 上（由于浮点数归约顺序不同）进行统计接近度验证，并设置严格的“门槛”（例如，带有活跃海冰的 20 步运行）以检测真实的错误而非预期的数值偏差。
   • 调试工具： 开发了自定义工具，如每步参考数据转储、相同输入的算子差异对比以及陈旧光晕（stale-halo）探测器，以将失败隔离到特定的内核或子系统。

关键结果

• 保真度：
  • C 移植版本通过五年积分重现了原始 Fortran 模型，全球海表温度（SST）的均方根差为 0.006 °C，盐度差为 0.002 PSU。在 700 米以下，深海差异在统计上与零无异。
  • Kokkos CPU 构建版本在完整模拟一年后，与 C 参考版本保持位对位一致。
  • Kokkos GPU 构建版本在统计上与 C 参考版本保持接近，SST 相关系数为 1.0，偏差为 $+10^{-4}$ °C。GPU 引入的偏差比 Fortran 到 C 翻译过程中引入的不确定性小约三个数量级。
• 性能：
  • 在高分辨率网格（高达 740 万个表面顶点）上，单个 NVIDIA A100 GPU 节点比 CPU 节点快 1.6–3.7 倍。
  • 该模型在跨所有测试硬件的数百万顶点网格上，达到了生产目标——每天 1–2 个模拟年（SYPD）。
  • 在 NVIDIA GH200 系统上，吞吐量高达 3.5 SYPD。
• 可移植性：
  • 单一的 Kokkos 源代码库无需重写物理代码，即可在多种硬件上成功编译并运行：NVIDIA A100、H100 和 GH200（通过 CUDA），以及 AMD MI250X（通过 HIP）。移植到 AMD 系统仅需不到一天的工作量，主要涉及一个微小的预处理器守卫更改。

意义与主张
本文声称，这是首次证明 LLM 辅助移植可以将完整的生产级海洋-海冰模型迁移到具备 GPU 能力的实现中，同时保持科学保真度并达到生产级的性能。作者强调，成功并非仅仅依靠 LLM 的自主能力，而是得益于一种结合了以下要素的严谨工作流：

• 代理式辅助用于不知疲倦的翻译和测试框架构建。
• 人类领域专业知识用于策略制定、计划审查以及捕捉细微的物理错误。
• 分层验证程序将沉默的物理错误转化为即时的、局部的失败。

这项工作确立了 LLM 可以在短短几周内将既有的 Fortran 模型迁移到现代性能可移植语言（C++/Kokkos）中，前提是必须受到严格规则的约束，并根据适当的验收标准进行验证。作者认为，这并非是对模型的最终优化，而是一个经过验证的、具有竞争力的起点，它在保留原始模型物理特性的同时，使其能够在现代加速器上运行。