XiaoMi-AI文件搜索系统
World File Search SystemFortra
ftorch：耦合pytorch型号的库
•在Fortran中复制一个网络，以使用Pytorch开发的模型，并仅使用Fortran重新实现它，从而从文件中加载了节省的权重。这可能需要大量的开发工作，重写已经存在的代码，以及缺少使用Torch的多样化和高度优化功能的机会。重新实施可能是错误的来源，需要其他测试以确保正确性。如果总体目标是将ML纳入Fortran，而不是使用Pytorch特定，那么另一种方法是利用基于Fortran的ML框架（例如Neural-Fortran）（Curcic，2019）。尽管它不允许与Pytorch相互作用，但神经fortran提供了许多直接在Fortran中建造网的神经网络组件。但是，一组功能并不像Pytorch那样丰富，而GPU卸载目前不受支持。目前，菲亚斯（Rouson＆Rasmussen，2024年）库是直接在Fortran中开发，培训和部署ML模型的另一种方法，目前是实验性GPU支持。
概念证明：使用Chatgpt将地球系统模型从Fortran转换为Python/jax
地球系统模型（ESM）对于理解过去，现在和未来的气候至关重要，但它们遭受了旧式技术基础设施的困扰。ESM主要在Fortran中实施，该语言为早期职业科学家带来了很高的入境障碍，并且缺乏GPU运行时，随着GPU功率的增加和CPU缩放缩放的速度，这对于继续前进至关重要。fortran也缺乏可不同的性能 - 通过数值代码区分的能力 - 可以实现整合机器学习方法的混合模型。将ESM从Fortran转换为Python/JAX可以解决这些问题。这项工作提出了一种半自动化的方法，该方法使用大语言模型（GPT-4）将单个模型组件从Fortran转换为Python/Jax。通过从社区地球系统模型（CESM）中转换光合作用模型，我们证明了Python/JAX版本使用GPU并行化最多可快速运行时间，并通过自动差异启用参数估计。Python代码也易于阅读和运行，教室的讲师可以使用。这项工作说明了通往快速，包容和可区分气候模型的最终目标的途径。