SECTIONS
EDITIONS
NETWORK
AIXXPedia算力分野の百科事典

AIXX 百科 › 技術コンセプト › メモリの健全性と故障判読

メモリの健全性と故障判読

VRAM HEALTH GUIDE · 技術コンセプト用語

概要OVERVIEW

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。

主要数値KEY NUMBERS

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 における意義ON B300

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。

限界と留意点LIMITS

  • ECCは問題を隠すと同時に露呈もさせる。訂正可能エラーは計算を中断させないため、負荷が長期間問題を抱えたまま動いて気づかないこともある。しかしECCが保障するのはVRAMデータの正確性のみで、性能低下は修復しない——リタイアページとリマッピングはいずれも利用可能容量を減らすため、数値がきれいでも性能が無傷とは限らず、VRAM帯域とスループットのストレステストを併用する必要がある。
  • 読み解きには限界がある。金手指とヒートシンクの目視検査で判るのは流通の痕跡のみで、チップ内部の損傷は長時間のフルロードストレステストで引き出すしかない——短時間のきれいな数値は長期安定性を保証しない。はんだ接点の疲労やTSV積層の内部欠陥はさらにソフトウェアの読み取りの死角であり、高額な取引では依然として第三者による分解レベルの検品を保険とすべきだ。
HBM3e メモリNVLink インターコネクトSXM / NVL8コールドプレート液冷 / CDUFP8 精度フォーマットMoE 混合エキスパートNVSwitch スイッチチップInfiniBand インターコネクトネットワークNVMe ストレージ液冷CDURDMA リモートダイレクトメモリアクセスGPUDirectTensor Core テンソルコアMIG マルチインスタンス GPUPCIe Gen5コンフィデンシャルコンピューティングvGPU 仮想 GPUFP4 / FP6 マイクロスケーリング浮動小数点精度KV Cache 推論キャッシュScale-up と Scale-outCPO コパッケージオプティクスNVLink FusionMGX モジュラーアーキテクチャモデルの量子化テンソル並列集合通信AI ファクトリー液冷回路PUE エネルギー効率指標TensorRT-LLMvLLM 推論エンジンLoRA 低ランクアダプテーション計算資源サプライチェーンチャネルTCO 総所有コスト推論スループットベンチマークモデルの蒸留電力サプライチェーンToken 経済学学習データパイプライン推論最適化技術スタックGDDR7 メモリ電源コネクタ系譜(EPS/PCIe 8pin/12VHPWR/12V-2x6)対中輸出規制のタイムラインGPU 検証ガイド(nvidia-smi/GPU-Z)TensorRT 推論最適化CUDA Graphs グラフ実行NCCL 集合通信ライブラリONNX オープンモデルフォーマットHBM 世代系譜混合精度学習PCIe 世代ラックフォームファクター系譜GPU 型番命名規則の読み解き中古 GPU 流通経路空冷と液冷の比較MFU(モデル演算性能利用率)DDR5 メモリHBM4 メモリUALink インターコネクトB300 機種項目

参考文献REFERENCES

  1. NVIDIA公式サイト — Blackwell Ultra / HGX B300 製品ページ https://www.nvidia.com/en-us/data-center/hgx/
  2. 相場と流通データ:AIXX 取引所(本データベースの相場帯)
バージョンと訂正|本項目は AIXX Pedia 編集部が維持し、AI が下書きした内容を人間が事実確認しています。更新:2026-10-30 · バージョン v1.0 · 変更履歴はすべて追跡可能です。
本ライブラリ
編集ポリシー本ライブラリについて(利益相反の表明)訂正窓口
編集憲法の概要
すべての記述に出典を明記弱点は必ず記載・訂正は公開で記録に残す有料項目は受け付けない項目内への誘導・販売要素は一切なし市況データはデータモジュールとしてのみ掲載
AIXX ファミリー
AIXX CloudAIXX 取引所AIXX 相場AIXX ニュース
相場まとめ:AIXX 取引所 · © 2026 AIXX 百科 AIXX Pedia · AIXX 制作