LLM-Assisted Translation of Legacy FORTRAN Codes to C++: A Cross-Platform Study

📄 arXiv: 2504.15424v1 📥 PDF

作者: Nishath Rajiv Ranasinghe, Shawn M. Jones, Michal Kucer, Ayan Biswas, Daniel O'Malley, Alexander Buschmann Most, Selma Liliane Wanna, Ajay Sreekumar

分类: cs.SE, cs.AI

发布日期: 2025-04-21

备注: 12 pages, 7 figures, 2 tables

💡 一句话要点

利用大语言模型辅助将遗留FORTRAN代码翻译为C++，并进行跨平台研究

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大语言模型 代码翻译 FORTRAN C++ 遗留代码 高性能计算 代码迁移 跨平台

📋 核心要点

  1. 遗留FORTRAN代码库的维护和迁移面临挑战，缺乏对LLM代码翻译质量的系统评估。
  2. 探索利用LLM自动将FORTRAN代码翻译为C++，旨在降低迁移成本并提升代码可维护性。
  3. 通过编译准确率、代码相似度和输出相似度等多项指标，量化评估LLM翻译的性能。

📝 摘要（中文）

本文研究了利用大语言模型（LLM）将FORTRAN代码翻译为C++的可行性，旨在构建一个基于开放权重LLM的智能工作流，并评估其在不同计算平台上的性能。FORTRAN作为高性能计算（HPC）领域中用于科学发现的重要编程语言，其遗留代码库的LLM翻译尚未得到充分评估。本文统计量化了翻译后的C++代码的编译准确率，测量了LLM翻译的代码与人工翻译的C++代码的相似度，并统计量化了FORTRAN到C++翻译的输出相似度。

🔬 方法详解

问题定义：论文旨在解决遗留FORTRAN代码向现代C++代码迁移的问题。现有方法，如手动翻译，成本高昂且容易出错。缺乏对LLM自动翻译FORTRAN代码的系统性评估，阻碍了其在实际项目中的应用。

核心思路：论文的核心思路是利用大语言模型（LLM）的强大代码生成和翻译能力，自动将FORTRAN代码转换为C++代码。通过统计分析编译准确率、代码相似度和输出相似度，全面评估LLM翻译的质量和可靠性。

技术框架：该研究的技术框架包括以下几个主要步骤：1) 选择合适的开源LLM；2) 构建FORTRAN代码数据集；3) 使用LLM将FORTRAN代码翻译为C++代码；4) 评估翻译后的C++代码的编译准确率；5) 测量LLM翻译的代码与人工翻译的C++代码的相似度；6) 统计量化FORTRAN到C++翻译的输出相似度。研究在不同的计算平台上进行，以评估跨平台性能。

关键创新：该研究的关键创新在于系统性地评估了LLM在FORTRAN到C++代码翻译中的应用。通过量化编译准确率、代码相似度和输出相似度，为LLM在遗留代码迁移中的应用提供了客观的评估指标。此外，该研究还探索了在不同计算平台上使用LLM进行代码翻译的可行性。

关键设计：论文的关键设计包括：选择合适的开源LLM（具体模型未知），构建具有代表性的FORTRAN代码数据集（数据集构建细节未知），以及设计合理的评估指标（编译准确率、代码相似度和输出相似度的具体计算方法未知）。研究可能使用了特定的提示工程（prompt engineering）技术来指导LLM进行代码翻译，但具体细节未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文通过实验量化评估了LLM在FORTRAN到C++代码翻译中的性能，包括编译准确率、代码相似度和输出相似度。虽然具体的性能数据未在摘要中给出，但该研究为评估LLM在代码翻译任务中的实用性提供了重要参考，并为构建基于LLM的自动化代码迁移工具奠定了基础。

🎯 应用场景

该研究成果可应用于遗留科学计算代码的现代化改造，降低代码迁移成本，提高代码可维护性。通过自动化代码翻译，可以加速科学研究的迭代过程，并促进不同平台之间的代码共享和复用。未来，该方法有望扩展到其他编程语言的翻译，并应用于更广泛的软件工程领域。

📄 摘要（原文）

Large Language Models (LLMs) are increasingly being leveraged for generating and translating scientific computer codes by both domain-experts and non-domain experts. Fortran has served as one of the go to programming languages in legacy high-performance computing (HPC) for scientific discoveries. Despite growing adoption, LLM-based code translation of legacy code-bases has not been thoroughly assessed or quantified for its usability. Here, we studied the applicability of LLM-based translation of Fortran to C++ as a step towards building an agentic-workflow using open-weight LLMs on two different computational platforms. We statistically quantified the compilation accuracy of the translated C++ codes, measured the similarity of the LLM translated code to the human translated C++ code, and statistically quantified the output similarity of the Fortran to C++ translation.