O Facebook está desenvolvendo o TransCoder para traduzir código de uma linguagem de programação para outra

Os engenheiros do Facebook publicaram um transcompilador Transcodificador, que usa técnicas de aprendizado de máquina para transformar o código-fonte de uma linguagem de programação de alto nível para outra. Atualmente, é fornecido suporte para tradução de código entre Java, C++ e Python. Por exemplo, TransCoder permite converter o código-fonte Java em código Python e o código Python em código-fonte Java. Desenvolvimentos de projetos estão sendo colocados em prática pesquisa teórica na criação de uma rede neural para transcompilação automática eficiente de código e espalhar licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 apenas para uso não comercial.

A implementação do sistema de aprendizado de máquina é baseada em Pytorch. Dois modelos prontos são oferecidos para download: primeiro para traduzir C++ para Java, Java para C++ e Java para Python, e segundo para transmissão
C++ para Python, Python para C++ e Python para Java. Para treinar os modelos, utilizamos os códigos-fonte dos projetos postados no GitHub. Se desejar, podem ser criados modelos de tradução para outras linguagens de programação. Para verificar a qualidade da transmissão, foi preparada uma coleção de testes unitários, bem como um conjunto de testes que inclui 852 funções paralelas.

Alega-se que em termos de precisão de conversão, o TransCoder é significativamente superior aos tradutores comerciais que utilizam métodos baseados em regras de conversão e, no processo de trabalho, permite dispensar a avaliação especializada de especialistas no idioma de origem e de destino. A maioria dos erros que surgem durante a operação do modelo podem ser eliminados adicionando restrições simples ao decodificador para garantir que as funções geradas estejam sintaticamente corretas.

Os pesquisadores propuseram uma nova arquitetura de rede neural “Transformer” para modelar sequências, na qual a recorrência é substituída por “atenção"(modelo seq2seq com atenção), que permite se livrar de algumas dependências no gráfico computacional e paralelizar o que antes não era passível de paralelização. Todos os idiomas suportados usam um único modelo comum, que é treinado usando três princípios: inicialização, modelagem de linguagem e tradução reversa.

Fonte: opennet.ru