AIXX 百科 › 技術コンセプト › メモリの健全性と故障判読
VRAMはGPUの中で最も黙々と働き、最も熱に弱い部品だ。VRAMの健康状態を読み解く第一課はECC(エラー訂正符号)の仕組みである。NVIDIA公式マニュアルの原文によれば「シングルビットエラーはハードウェアが自動的に訂正し、データ破損には至らない。ダブルビットエラーは検出可能だが訂正はできない」。シングルビット(訂正可能)エラーは初期の不良セルではまったく気づかないが、カウントが増え続ける場合はメモリチップの劣化の前兆であることが多い。ダブルビット(訂正不能)エラーは計算の正確性を直接脅かし、学習中のエラーや推論結果の劣化はこれに起因する可能性がある。
NVIDIAは不良セルに対して三段階の対策を用意している。ページリタイア(同一ページで複数回のシングルビットエラーまたは1回のダブルビットエラーで発動し、ドライバーが不良ページを隠蔽する)、行リマッピング(不良行をリザーブ行へ再配置。Ampere以降で対応し、予算はA100で最大64回、H100で512回——いずれもNVIDIA公式ドキュメントの記載)。チップ側ではHBM3以降、オンダイECCが内蔵されている(SK hynix公式発表)。工具の数値の読み方については本ライブラリの検品ガイド用語を参照。本項では数値の背後にある仕組みを解説する。
| 項目 | 数値 / 基準 |
|---|---|
| シングルビット vs ダブルビット | シングルビットはハードウェアが自動訂正 · ダブルビットは検出可能だが訂正不可(NVIDIA nvidia-smi公式マニュアル) |
| カウンタの2種類の基準 | 揮発性(ドライバー起動時から)/ 累計(生涯カウント)· Ampere以降は累計をクリア不可(NVIDIAマニュアル) |
| 行リマッピングの予算 | A100で最大64回 · H100で512回(NVIDIA GPU Memory Error Management ドキュメント) |
| チップ側の防御線 | HBM3以降オンダイECCを内蔵(SK hynix 2021年公式発表) |
B300世代は1枚あたり288GBのHBM3eを搭載し、VRAMの健康状態がシステム全体の寿命を直接左右する。中古カードの検品ではまずECCを読むこと——揮発性カウントがほぼゼロなのに累計カウントが高い場合は、故障を抱えたまま運用されていたことを意味する。Ampere以降は累計をクリアできないため、この生涯カウントは中古バイヤーにとって最も確実な根拠の一つとなる。行リマッピング回数が予算上限(H100では512回)に近づいているカードは、「VRAMプールの縮小が近い」として残存価値を評価すべきだ。
物理面の3点チェック:金手指(PCIeエッジコネクタ)は酸化・摩耗・着脱痕を確認する——メッキの黒ずみや磨り減りは複数回の流通や接触不良のリスクを意味する。ヒートシンクは分解痕・サーマルパッドの劣化・VRAM側の温度を確認する(GPU-ZでVRAM温度とチップメーカーを読み取れる。検品ガイド用語を参照)——VRAMの長期的な高温はシングルビットエラー蓄積の第一の要因であり、ストレステスト時はVRAM温度とECC増加を併せて監視すること。