Ein aktuelles Forschungspapier zeigt, welche strategische Bedeutung KI bei der Modernisierung wissenschaftlicher Legacy-Software haben kann.
Die Autoren weisen darauf hin, dass viele zentrale Forschungsbereiche – von nuklearen Simulationen über Astrophysik bis hin zu Materialwissenschaften und Medikamentenentwicklung – noch immer auf jahrzehntealten Fortran-Codes beruhen, die ursprünglich für CPU-Umgebungen entwickelt wurden. Da moderne Supercomputer heute überwiegend mit heterogenen Architekturen arbeiten – also einer Kombination klassischer Prozessoren (CPUs) und spezialisierter Grafikkarten (GPUs) – und GPUs meist keine Fortran-Schnittstellen bieten, wird die Portierung zum Flaschenhals für den wissenschaftlichen Fortschritt.
Hier setzt die Arbeit von von Sparsh Gupta, Kamalavasan Kamalakkannan, Maxim Moraru, Galen Shipman und Patrick Diehl an: Mithilfe sogenannter agentischer Workflows auf Basis von Large Language Models (LLMs) lassen sich Fortran-Kernel automatisiert in portable Kokkos-C++-Programme übersetzen. Kokkos ist ein Open-Source-Framework, das es erlaubt, einheitlichen C++-Code zu schreiben, der anschließend effizient sowohl auf CPUs als auch auf GPUs läuft – ohne dass jedes Mal hardwarespezifisch programmiert werden muss. Der vorgestellte KI-Workflow übernimmt dabei nicht nur die Übersetzung, sondern auch das Testen, Debuggen und Optimieren des Codes.
Die Ergebnisse seien bemerkenswert: Proprietäre Modelle wie GPT-5 erzeugten funktionale und teils sogar leistungsfähigere Implementierungen als die ursprünglichen Fortran-Versionen – und das für wenige US-Dollar pro Durchlauf. Laut den Autoren eröffnet dieser Ansatz einen Weg, kritische Altanwendungen effizient für die High-Performance-Computing (HPC)-Infrastruktur der Zukunft nutzbar zu machen. Unter HPC versteht man extrem leistungsstarke Rechenumgebungen, die in der Wissenschaft unverzichtbar sind, etwa um komplexe Simulationen oder riesige Datenmengen in vertretbarer Zeit zu verarbeiten.
Damit könne KI nicht nur die Lebensdauer bewährter Codes verlängern, sondern auch die Forschung erheblich beschleunigen – und so zu einem Schlüsselfaktor für die Wettbewerbsfähigkeit in wissenschaftlichen Hochleistungsrechenzentren werden.
