ParaCodex: A Profiling-Guided Autonomous Coding Agent for Reliable Parallel Code Generation and Translation

Idea

ParaCodex 把 OpenMP GPU 并行化和 CUDA→OpenMP 迁移组织成有明确中间产物的工程流程：先分析热点与数据，再通过编译和数值检查建立正确实现，最后依据真实 profiler 结果优化。核心贡献是把 HPC 专家工作方式嵌入 coding agent，而不是提出新的代码模型。

Research Problem

能编译并通过测试的并行程序仍可能因为数据传输、kernel launch 或错误的数据驻留策略而缓慢；直接生成 pragma 容易遗漏 reduction、依赖与 recurrence。已有 compile/test repair 缺少性能反馈，性能优化方法又可能缺少每阶段的正确性约束。

Insight

并行化不仅是选择循环，还涉及哪些数组驻留设备以及何时传输。把分析、数据计划和优化计划显式写出，可以约束后续修改；将功能正确性与硬件测量分别作为门槛和优化信号，能避免把不正确或 CPU fallback 的结果误认为高速 GPU 实现。

Method

1. 分析输入程序，按估计运算量识别关键循环，用 Types A–G taxonomy 标记依赖、数据属性与风险，形成 analysis.md，作为转换前的结构化依据。
2. 生成 data_plan.md，针对不同循环选择 scoped target data、异步 nowait pipeline 或持久 device memory 等策略，再实施 OpenMP target 转换并优先 offload 关键计算。
3. 阶段之间通过 Makefile harness 与串行参考比较，利用 gate.h 的 checksum 和 norm 定位差异，结合编译错误和数值不一致迭代修复。
4. 正确后用 NVIDIA Nsight Systems 收集 kernel 时间、传输和 API 信息，生成 optimization_plan.md 并执行定向优化；GPU 时间退化超过 10% 则回滚。实验区分有效 GPU offload 与绕过执行，并将 GPU time 与 wall-clock 含义分开。