片桐 孝洋 / Takahiro Katagiri Nagoya University · Information Technology Center

Generative AI · Agentic AI · High-Performance Computing

生成AI・AIエージェント × HPC Generative AI and Agentic AI for High-Performance Computing

コード生成から、自律的HPC研究へ。

大規模言語モデル（LLM）はプログラムコードを生成できるようになりました。 しかし、高性能計算（HPC）では「動くコード」を生成するだけでは不十分です。 CPU・GPU・スーパーコンピュータ上で、数値的正当性を保ちながら、 並列化、メモリアクセス、通信、アルゴリズム、精度を最適化し、 実機で性能を測定し、改善を繰り返す必要があります。

私たちは、生成AI、AIエージェント、ソフトウェア自動チューニング、 スーパーコンピュータを統合し、HPCコードの 設計・生成・実行・検証・性能評価・改善、 さらには研究プロセスそのものをAIが支援・自律化する Agentic HPC を研究しています。

HPC-GENIE Agentic AI VibeCodeHPC HPC-AutoResearch Software Auto-Tuning GPU / CUDA Local LLM Performance Feedback
HPC-GENIE ACRU VibeCodeHPC / GitHub

Agentic HPC Research Loop

Problem / Requirement Numerical problem · Hardware · Constraints
↓
LLM / AI Agents Planning · Code generation · Tool use
↓
Compile / Test / Validate Correctness · Numerical verification · Repair
↓
Run on CPU / GPU / Supercomputer Real-machine execution
↓
Measure / Analyze / Auto-Tune GFLOPS · Runtime · Profiling · Error

Research Motivation

コードを生成するだけでは、HPCにはならない

一般的なコード生成の評価軸は「正しく動くか」です。 HPCでは、それに加えて性能、性能可搬性、数値精度、並列スケーラビリティが必要です。

一般的なAIコード生成

仕様からプログラムを生成し、テストを通過させることが主要な目的です。 Web開発やアプリケーション開発では、機能的正当性が主要な評価軸になります。

Generating code
is not enough. HPCでは、実機性能と数値的正当性まで評価する必要があります。

HPC向けAIコード生成

コードを生成した後、コンパイル、数値検証、CPU/GPU実行、性能計測、 プロファイリング、再最適化まで閉ループ化する必要があります。 ハードウェアに応じて最適実装も変化します。

Correctness
正当性
Performance
高性能
Portability
性能可搬性

Research Evolution

研究の発展：Code Generation から Autonomous Research へ

個々の研究は独立ではなく、LLMによるコード生成能力の評価から、 マルチエージェント、自動チューニング、実機フィードバック学習、 GPU移植、そして自律研究へと段階的に発展しています。

01

HPC Code Generation

LLMは数値計算コードと基本的な性能最適化をどこまで生成できるか。

02

Agentic Auto-Tuning

複数エージェントが役割分担し、生成・実行・改善を反復できるか。

03

Performance Feedback Learning

実スーパーコンピュータの性能を、LLMの学習報酬として利用できるか。

04

CPU → GPU Transformation

CPU固有最適化を理解し、GPU向けに構造を再設計できるか。

05

Autonomous HPC Research

仮説・実装・実験・評価・改善まで研究プロセスを自律化できるか。

06

Agentic HPC Infrastructure

評価・記憶・実行・知識を統合したAI-native HPC基盤を構築できるか。

Research Pillars

6つの研究テーマ

生成AIを単なるコード補完として使うのではなく、HPC研究開発全体に統合します。

Research 01

HPCコード生成

HPC Code Generation

一般目的LLMがBLAS等の数値計算コードをどこまで生成できるかを評価します。 研究では、ルーチン名だけから正しいCコードを生成できるケースに加え、 OpenMPによるスレッド並列化、SIMD、cache blockingなどの基本最適化も 一定程度生成できることが確認されています。

問い：汎用LLMは「数値計算を知っている」のか、それともコードパターンを模倣しているだけなのか。
関連論文：BLAS Code Generation →
Research 02

マルチエージェントHPC自動チューニング

Multi-Agent HPC Auto-Tuning

VibeCodeHPCでは、Project Manager、System Engineer、Programmer、 Continuous Deliveryなどの役割を持つ複数LLMエージェントが協調し、 要求解釈、コード生成、実行、性能改善を反復します。 単一エージェントではなく、ソフトウェア開発チームそのものをAI化する考え方です。

Generate → Compile → Run → Measure → Analyze → Improve
関連論文：VibeCodeHPC →
Research 03

スーパーコンピュータから学習するLLM

Learning from Real-Machine Performance

LLMが生成したコードを実際の計算機で実行し、測定したGFLOPSを 強化学習の報酬として直接フィードバックします。 GRPOを利用したオンライン強化学習に加えて、利用する最適化技法を段階的に変化させる Staged Quality-Diversity（SQD）を導入し、性能最適化能力の改善を研究しています。

AIの教師を「人間の正解コード」から「実機性能」へ。
関連論文：Performance-Aware RL →
Research 04

AIによるCPU–GPUコード変換

AI-Driven CPU–GPU Porting

CPU向けに高度最適化されたコードは、必ずしもGPUへ移植しやすい形ではありません。 Deopt-Reoptでは、CPU固有の最適化を一度簡略化（Deoptimization）し、 LLMでCUDAへ変換した後、GPU向けに再最適化（Reoptimization）します。 評価では効果はカーネルやモデルに依存し、万能ではないことも含めて分析しています。

Optimized CPU → De-optimize → Translate → CUDA → Re-optimize
関連論文：Deopt-Reopt →
Research 05

自律型HPC研究

Autonomous HPC Research

HPC-AutoResearch / ARIでは、研究者が逐一指示するのではなく、 AIが仮説を立て、コードを生成し、実験し、性能を測定し、結果を解析して 次の実験を設計する研究ループを構築します。 HPC特有のジョブ投入、コンパイル、実機実験、性能データ管理を 自律研究システムへ統合することが課題です。

Hypothesis → Implementation → Experiment → Analysis → Next hypothesis
HPC-AutoResearch研究情報 →
Research 06

Agentic HPC基盤

Agentic HPC Infrastructure

AIエージェントをHPC研究に本格導入するには、モデルだけでは不十分です。 エージェント実行基盤、標準ベンチマーク、長期記憶、Knowledge Graph、 性能解析、実行権限、再現性、評価方法などを含むシステム基盤が必要です。 ACRUではこれらをAgentic HPCの研究対象として体系化しています。

AgentBench · AgentRuntime · Memory · Knowledge Graph · Auto Performance Engineering
ACRU研究テーマ →
「スーパーコンピュータ自身を、LLMの教師にする。」 The supercomputer becomes the teacher of the LLM.

Research Framework

HPC-GENIE と ACRU

HPC-GENIEは、生成AIを活用してアーキテクチャに最適化されたHPCコードの 自動生成を目指す研究プロジェクトです。その中でACRUは、 AIエージェントを用いたHPCソフトウェアの自律的な開発・最適化・評価・運用を担います。

HPC-GENIE High-Performance Computing with Generative Neural Intelligence for Execution

Generative AI for HPC Codes

LLM、RAG、ローカルLLM、ファインチューニング、自動チューニング、 混合精度、精度保証、XAIなどを統合し、HPCコード生成技術を研究します。

  • BLAS / Numerical Kernels
  • CPU / GPU Code Generation
  • Local LLM
  • RAG / Fine-tuning
  • Mixed Precision
  • Software Auto-Tuning

ACRU — Agentic Computing Research Unit

複数AIエージェントが要求分析から実装、コンパイル、性能測定、 性能解析、デバッグ、知識蓄積まで協調するAI-native HPC研究基盤を目指します。

  • VibeCodeHPC
  • HPC-AutoResearch / ARI
  • HPC-AgentBench
  • HPC-AgentRuntime
  • HPC Knowledge Graph
  • AI Scientist for HPC
HPC-GENIE 公式ページ ACRU 公式ページ HPC-GENIE 研究業績

Research Evolution Through Publications

主要関連論文

論文を単なる一覧ではなく、「HPC向け生成AI研究がどのように発展してきたか」という流れで示します。

2025

Question 1 — Code Generation

汎用LLMはHPC数値計算コードを生成できるか？

BLAS Level 1–3を対象に、一般目的LLMによるCコード生成、OpenMP、SIMD、 cache blocking等の基本最適化能力を評価しました。

Daichi Mukunoki, Shun-ichiro Hayashi, Tetsuya Hoshino, Takahiro Katagiri
“Performance Evaluation of General Purpose Large Language Models for Basic Linear Algebra Subprograms Code Generation,” arXiv:2507.04697, 2025.
arXiv →
2025–26

Question 2 — Agentic Auto-Tuning

複数のAIエージェントはHPCコードを自律的に改善できるか？

VibeCodeHPCではPM、SE、Programmer、Continuous Deliveryの役割を持つ AIエージェントが協調し、コード生成と性能改善を反復します。

Shun-ichiro Hayashi, Koki Morita, Daichi Mukunoki, Tetsuya Hoshino, Takahiro Katagiri
“VibeCodeHPC: An Agent-Based Iterative Prompting Auto-Tuner for HPC Code Generation Using LLMs,” arXiv:2510.00031, 2025; iWAPT 2026.
arXiv → GitHub →
2026

Question 3 — Learning from Hardware

LLMはスーパーコンピュータの実測性能から学習できるか？

生成コードを実機で実行し、GFLOPSを報酬としてGRPO学習へ戻すオンライン強化学習を提案。 Staged Quality-Diversityにより、最適化技法の多様性も学習過程へ導入します。

Ryo Mikasa, Shun-ichiro Hayashi, Daichi Mukunoki, Tetsuya Hoshino, Takahiro Katagiri
“Improving HPC Code Generation Capability of LLMs via Online Reinforcement Learning with Real-Machine Benchmark Rewards,” LLM4HPC 2026 / arXiv:2602.12049.
arXiv →
2026

Question 4 — Architecture Transformation

CPU向け最適化コードを、LLMはGPU向けに再設計できるか？

CPU固有最適化がLLMによるCUDA変換を阻害する可能性に着目し、 一度コードを簡略化してからGPU向けに再最適化するDeopt-Reoptを評価しました。 効果がカーネル、モデル、探索予算に依存することも示しています。

Daichi Mukunoki, Ryo Mikasa, Shunichiro Hayashi, Tetsuya Hoshino, Takahiro Katagiri
“LLM-Based Porting of Optimized C++ to CUDA Through Deoptimization and Reoptimization,” GeCoIn 2026 / arXiv:2606.06063.
arXiv →
2026

Question 5 — Autonomous Research

AIはHPC研究プロセスそのものを自律実行できるか？

HPC-AutoResearchでは、一般的な自律研究システムをHPCへ適用する際の インストール、実装、コンパイル、実行、性能測定などのフェーズを分離し、 HPC環境に適した自律実験基盤を研究します。

Takanori Kotama, Rio Yokota, Daichi Mukunoki, Satoshi Ohshima, Tetsuya Hoshino, Takahiro Katagiri
“HPC-AutoResearch: Adapting Autonomous Research Systems for HPC through Split-Phase Execution,” GeCoIn 2026.
HPC-GENIE Publications →

その他の主要成果

  • 2026 Peer-reviewed Best Paper Award

    Evaluating Claude Code’s Coding and Test Automation for GPU Acceleration of a Legacy Fortran Application: A GeoFEM Case Study

    Tetsuya Hoshino, Shun-Ichiro Hayashi, Daichi Mukunoki, Takahiro Katagiri, Toshihiro Hanawa. LLM4HPCAsia 2026 / SCA-HPCAsiaWS 2026.

    DOI →
  • 2026 Research Direction

    AI Scientist for HPC / HPC-AgentBench / HPC-AgentRuntime / HPC Knowledge Graph

    ACRUでは、コード生成を超え、AIエージェントの標準評価、実行基盤、長期記憶、 知識表現、性能工学の自動化までを研究対象としています。

    ACRU →

Projects & Resources

プロジェクト・ソフトウェア・研究情報

HPC-GENIE 生成AIによるHPCコード自動生成プロジェクト ACRU Agentic Computing Research Unit VibeCodeHPC CLI-based multi-agent Auto-Tuning framework Research Outputs HPC-GENIEの査読論文・プレプリント・研究発表
Research collaboration / Students

生成AI・AIエージェント × HPC、HPCコード生成、ソフトウェア自動チューニング、 GPUコード生成、自律型研究システムに関する共同研究・学生研究については、 連絡先をご覧ください。

Future Vision

Toward AI-Native HPC

目標は、人間のHPC研究者を単純にAIへ置き換えることではありません。 HPC専門家の知識とAIの探索能力を組み合わせ、研究開発能力そのものを拡張することです。

AI-Generated HPC Software 仕様から高性能・高品質なCPU/GPUコードを生成する。
Self-Improving Agents 実機性能、失敗、プロファイラ情報からエージェント自身が改善する。
Autonomous Experiments ジョブ投入、実験、解析、再実験を含む研究ループを自律化する。
AI Scientist for HPC 仮説生成から新しいアルゴリズム探索、論文化までを支援する。

将来的には、AIエージェントがスーパーコンピュータを直接利用し、 コードを生成し、性能を測定し、失敗から学習し、 新しい性能最適化方法や数値アルゴリズムまで探索する AI-native HPC research environment の実現を目指します。