Pasteur Labs 的开发者在 Hacker News 上展示了一项技术突破，成功将 LFortran 编译器与自动微分工具 Enzyme 相结合，为经典的 Fortran 语言引入了自动微分能力。LFortran 是一个基于 LLVM 的现代 Fortran 编译器，而 Enzyme 是一个基于 LLVM IR 进行插桩的自动微分工具。两者的结合绕过了 Fortran 源代码复杂的语法障碍，直接在编译器中间表示（IR）层面进行数学变换。在演示中，作者将一段仅 220 行的 Fortran 热求解器代码，通过该技术栈自动转换为了约 6900 行的反向模式代码，用于高效计算梯度。作者表示，这套“LFortran + Enzyme”堆栈提供了一种极其清晰的路径，能够从遗留的 Fortran 科学计算代码中提取梯度信息。这一进展意味着，大量存在于物理模拟、气候建模等领域的存量 Fortran 代码，无需重写为 Python 或 C++，即可直接接入基于梯度的优化流程或现代 AI 训练管线，这为高性能计算（HPC）与人工智能的深度融合提供了新的技术可能性。
事件分析
从技术架构角度看，利用 LLVM IR 作为中间层进行自动微分（AD）是一种极具前瞻性的策略。传统的源到源转换工具往往难以处理复杂的语言特性，而 Enzyme 在编译器后端进行操作，能够支持多种编程语言。Fortran 作为高性能计算（HPC）的基石语言，拥有海量的科学计算遗产代码。此前，将这些物理模型与基于梯度的机器学习（如神经网络求解偏微分方程）结合通常需要手动求导或重写代码，成本极高。该技术验证了在不牺牲性能的前提下，为传统静态类型语言赋予“可微分”属性的可行性。这将加速“AI for Science”领域的发展，特别是涉及流体力学、材料科学等需要极高精度和计算效率的场景，未来可能会催生更多针对遗留代码的 AI 辅助优化工具链。
💡 核心观点：通过编译器中间层打通 Fortran 与自动微分的壁垒，为将海量物理仿真代码无缝接入 AI 训练流程奠定了底层基础。
原文链接：Hacker News
