AI-agent porteert 250.000 regels weercode naar GPU, met 5x snelheidswinst

Weersimulaties draaien vaak op software die tientallen jaren oud is. Zo'n programma is opgebouwd uit honderdduizenden regels code, uitgebreid getest en vergeleken met echte metingen. Die opgebouwde betrouwbaarheid maakt het lastig om de software te moderniseren: een fout tijdens de omzetting kan de uitkomsten onopgemerkt laten afwijken van de werkelijkheid. Een team rond onderzoeker Tetsuya Hoshino onderzocht of een AI-agent kan helpen om zulke code geschikt te maken voor grafische chips (GPU's), zonder dat de wetenschappelijke waarde verloren gaat.

Het onderzoeksteam gebruikte als proefkonijn CReSS, een weersvoorspellingsmodel met meer dan 250.000 regels Fortran-code, dat onder meer wordt gebruikt om tyfoons te simuleren. Een AI-programmeertool die via de opdrachtregel werkt, kreeg de taak om delen van de code die draaien op meerdere processorkernen (via de techniek OpenMP) te herschrijven voor GPU's. Daarvoor gebruikt de industrie meestal OpenACC, een systeem van programmeeraanwijzingen dat een GPU vertelt welke berekeningen parallel mogen.

Elke stap gecontroleerd tegen de werkelijkheid

Het bijzondere aan de aanpak was de nadruk op validatie. De onderzoekers lieten de AI-agent niet zomaar code herschrijven en hopen dat het goed ging. In plaats daarvan bouwde het systeem eerst kleine testprogramma's, gevuld met werkelijke simulatiegegevens uit een tyfoon-berekening. Na elke GPU-omzetting vergeleek de agent de uitkomsten stap voor stap met de originele, ongewijzigde resultaten. Pas als de cijfers overeenkwamen, ging de agent verder naar het volgende onderdeel.

Dat leverde in totaal 162 geverifieerde GPU-onderdelen op, wat de hele simulatie 5,1 keer sneller maakte. Interessanter nog: de controlestap ontdekte in vijf onderdelen kleine maar echte rekenfouten. Die ontstonden doordat GPU's afrondingen van getallen soms net anders verwerken dan gewone processoren, waardoor gevoelige keuzemomenten in de code (bijvoorbeeld of een wolk wel of niet regen produceert) een andere uitkomst kregen. Die bevindingen zijn teruggekoppeld aan de oorspronkelijke ontwikkelaars van CReSS, zodat zij de code zelf kunnen verbeteren.

Grenzen van de AI-agent

Het onderzoek laat ook zien waar agentic AI nog tegenaan loopt bij grote, oude softwareprojecten. Een AI-agent moet het overzicht bewaren over een codebase die veel groter is dan wat in één gesprek past, en moet soms de actuele 'staat' van een lopende simulatie reconstrueren om een test correct op te zetten. Kleine fouten in de automatische analyse van de code bleken bovendien duur: het herstellen ervan kostte relatief veel tijd. De onderzoekers concluderen dat het slagen van AI-gestuurde GPU-acceleratie bij dit soort projecten niet alleen draait om het genereren van code, maar vooral om een workflow die is ingericht rond voortdurende validatie. Het werk is ingediend voor de workshop AgenticAI4HPC 2026.