AIXX Pedia › Concept technique › Santé mémoire et diagnostic de pannes
La VRAM est le composant qui travaille le plus dur sur un GPU et le plus sensible à la chaleur — et la première leçon pour évaluer sa santé, c'est le mécanisme ECC (code correcteur d'erreurs). Selon la formulation du manuel officiel NVIDIA : « les erreurs d'un bit sont corrigées automatiquement par le matériel sans corruption des données ; les erreurs de deux bits sont détectables mais non corrigibles » — les erreurs d'un bit (corrigibles) sont imperceptibles au stade précoce des défauts, mais une hausse continue du compteur est souvent le signe avant-coureur du vieillissement des puces ; les erreurs de deux bits (non corrigibles) menacent directement l'exactitude des calculs : les erreurs en cours d'entraînement ou la dégradation des résultats d'inférence peuvent y être liées.
NVIDIA dispose de trois niveaux de riposte face aux puces défectueuses : la mise en retrait de pages (déclenchée par plusieurs erreurs d'un bit sur une même page ou une seule erreur de deux bits, le pilote masquant alors la page défectueuse) ; le remappage de lignes (les lignes défectueuses sont redirigées vers des lignes de réserve, pris en charge depuis Ampere, avec un budget de 64 remappages maximum sur A100 et jusqu'à 512 sur H100 — chiffres issus de la documentation officielle NVIDIA) ; côté puces, l'ECC embarqué sur puce est présent depuis HBM3 (annonce officielle SK hynix). Pour l'interprétation des relevés, consultez la fiche guide de vérification des cartes de cette base ; la présente fiche explique les mécanismes derrière ces chiffres.
| Élément | Valeur / périmètre |
|---|---|
| Un bit vs deux bits | Erreurs d'un bit corrigées par le matériel · erreurs de deux bits détectables mais non corrigibles (manuel officiel NVIDIA nvidia-smi) |
| Deux compteurs, deux lectures | Volatil (depuis le chargement du pilote) / cumulé (comptage à vie) · non réinitialisable depuis Ampere (manuel NVIDIA) |
| Budget de remappage de lignes | A100 : 64 maximum · H100 : jusqu'à 512 (documentation NVIDIA GPU Memory Error Management) |
| Défense côté puces | ECC embarqué sur puce depuis HBM3 (annonce officielle SK hynix 2021) |
Avec ses 288 Go de HBM3e par carte, la génération B300 fait de la santé de la mémoire vidéo un facteur direct de la durée de vie de la machine : lors de la vérification d'une carte d'occasion, lisez d'abord les compteurs ECC — un compteur volatil proche de zéro avec un compteur cumulé élevé révèle une carte qui a servi en état dégradé ; comme le compteur cumulé n'est plus réinitialisable depuis Ampere, ce comptage à vie constitue l'un des indices les plus solides pour l'acheteur de seconde main. Une carte dont le nombre de remappages de lignes approche du plafond budgétaire (512 sur H100) doit être évaluée sur la base d'une « capacité mémoire sur le point de se réduire ».
Trois vérifications côté physique : les contacts dorés (bords PCIe) — examiner oxydation, usure et traces de manipulations répétées ; un placage noirci ou traversé signale de multiples changements de main ou un risque de mauvais contact ; le dissipateur — rechercher traces de démontage, vieillissement des pads thermiques et température côté VRAM (GPU-Z permet de lire la température mémoire et le fabricant des puces, voir la fiche guide de vérification) — une exposition prolongée à haute température est le premier facteur d'accumulation des erreurs d'un bit ; pendant les tests de charge, surveillez conjointement la température mémoire et l'incrément ECC.