AIXX Pedia › Technisches Konzept › Videospeicher-Gesundheit und Fehlerdiagnose
Der VRAM ist das hardest workende und zugleich wärmeempfindlichste Bauteil einer GPU — die erste Lektion zur Beurteilung der VRAM-Gesundheit ist der ECC-Mechanismus (Error Correction Code). Die offizielle NVIDIA-Dokumentation hält fest: „Einbitfehler werden von der Hardware automatisch korrigiert und verursachen keinen Datenverlust; Doppelbitfehler sind erkennbar, aber nicht korrigierbar.“ Einbitfehler (korrigierbar) bleiben in der Anfangsphase eines Defekts völlig unbemerkt, ein kontinuierlich steigender Zähler ist jedoch häufig der Vorbote alternder Speicherchips; Doppelbitfehler (nicht korrigierbar) bedrohen unmittelbar die Rechenkorrektheit — Trainingsabbrüche mitten im Lauf und verschlechterte Inferenzergebnisse können damit zusammenhängen.
Für defekte Bereiche hat NVIDIA drei Rückfallebenen vorgesehen: Page Retirement (ausgelöst bei mehrfachen Einbitfehlern derselben Seite oder einem einzelnen Doppelbitfehler, der Treiber blendet die defekte Seite aus), Row Remapping (defekte Zeilen werden auf reservierte Zeilen umgeleitet, seit Ampere unterstützt, mit einem Budget von maximal 64 Vorgängen bei der A100 bzw. 512 bei der H100 — jeweils nach offizieller NVIDIA-Dokumentation); auf Chipseite kommt seit HBM3 ein integrierter On-Die-ECC hinzu (offizielle SK hynix-Mitteilung). Wie man die Messwerte der Tools liest, erklärt der Kartenprüfungs-Eintrag in dieser Bibliothek; dieser Eintrag erklärt die Mechanik dahinter.
| Position | Wert / Definition |
|---|---|
| Einbit vs. Doppelbit | Einbit: automatische Hardware-Korrektur · Doppelbit: erkennbar, nicht korrigierbar (offizielles NVIDIA-nvidia-smi-Handbuch) |
| Zwei Zähler-Definitionen | Volatil (ab Treiberladung) / akkumuliert (lebenslange Zählung) · seit Ampere nicht zurücksetzbar (NVIDIA-Handbuch) |
| Row-Remapping-Budget | A100 maximal 64 Vorgänge · H100 bis zu 512 (NVIDIA-Dokument „GPU Memory Error Management“) |
| Chipseitige Verteidigungslinie | Seit HBM3 integrierter On-Die-ECC (offizielle SK hynix-Ankündigung 2021) |
Die B300-Generation bringt 288 GB HBM3e pro Karte — die VRAM-Gesundheit bestimmt damit direkt die Lebensdauer des Gesamtsystems: Prüfen Sie Gebrauchtkarten zuerst über die ECC-Werte — ein nahezu nuller volatiler Zähler bei hohem akkumuliertem Zähler zeigt, dass die Karte bereits mit Vorschäden im Einsatz war; da der akkumulierte Zähler seit Ampere nicht zurücksetzbar ist, ist diese lebenslange Zählung eines der härtesten Beweismittel für Gebrauchtkäufer. Karten, deren Row-Remapping-Zähler sich dem Budgetlimit nähert (H100: 512), sollten unter der Prämisse „bevorstehender Schrumpfung des Speicherpools“ bewertet werden.
Drei physikalische Prüfungen: Bei den Goldfingern (PCIe-Kontaktkante) auf Oxidation, Abnutzung und Steckspuren achten — eine durchgescheuerte, schwärzliche Vergoldung deutet auf mehrfache Besitzwechsel oder Kontaktschwierigkeiten hin; beim Kühler auf Demontagespuren, gealterte Wärmeleitpads und die Temperatur der VRAM-Seite achten (GPU-Z kann VRAM-Temperatur und Chip-Hersteller auslesen, siehe Kartenprüfungs-Eintrag) — dauerhafte VRAM-Hitze ist der Hauptauslöser für die Akkumulation von Einbitfehlern; beim Stresstest stets VRAM-Temperatur und ECC-Zuwachs gemeinsam im Blick behalten.