본 논문은 과학 및 공학 분야에 특화된 대규모 언어 모델(LLM)을 위한 방대한 양의 훈련 데이터 확보 문제를 해결하는 새로운 접근 방식을 제시한다. 수백만에서 수십억 개에 이르는 병렬 과학 코드를 확보하는 어려움을 해결하기 위해, 기존의 폐쇄형 또는 오픈소스 LLM을 활용하여 병렬 프로그래밍 언어 간 변환을 수행하는 자동화 파이프라인 프레임워크인 LASSI를 제안한다. LASSI는 생성된 코드의 컴파일 및 실행 중 발생하는 오류를 안내 프롬프팅을 통해 LLM에 다시 전달하여 디버깅 및 리팩토링하는 자기 수정 루프를 통해 자율적 향상을 통합한다. OpenMP target offload와 CUDA 간의 기존 GPU 벤치마크의 양방향 변환을 통해 LASSI의 유효성을 검증한다. 4개의 LLM을 사용하여 다양한 애플리케이션 코드로 LASSI를 평가한 결과, OpenMP에서 CUDA로의 변환의 80%, CUDA에서 OpenMP로의 변환의 85%가 예상대로 출력을 생성하는 것을 보여준다. 또한 OpenMP에서 CUDA로의 변환의 약 78%, CUDA에서 OpenMP로의 변환의 약 62%가 동일한 언어의 원래 벤치마크 코드보다 10% 이내 또는 더 빠른 실행 시간 내에 실행되는 것을 확인했다.
