SECTIONS
EDITIONS
NETWORK
AIXX Pedia L'encyclopédie du calcul intensif

AIXX Pedia › Concept technique › Santé mémoire et diagnostic de pannes

Santé mémoire et diagnostic de pannes

GUIDE SANTÉ VRAM · Fiche de concept technique

Vue d'ensemble OVERVIEW

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.

Chiffres clés KEY NUMBERS

ÉlémentValeur / périmètre
Un bit vs deux bitsErreurs d'un bit corrigées par le matériel · erreurs de deux bits détectables mais non corrigibles (manuel officiel NVIDIA nvidia-smi)
Deux compteurs, deux lecturesVolatil (depuis le chargement du pilote) / cumulé (comptage à vie) · non réinitialisable depuis Ampere (manuel NVIDIA)
Budget de remappage de lignesA100 : 64 maximum · H100 : jusqu'à 512 (documentation NVIDIA GPU Memory Error Management)
Défense côté pucesECC embarqué sur puce depuis HBM3 (annonce officielle SK hynix 2021)

Ce que cela signifie sur le B300 ON B300

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.

Limites et points de vigilance LIMITS

  • L'ECC masque autant qu'il révèle : les erreurs corrigées n'interrompent pas le calcul, et une charge peut tourner longtemps en état dégradé sans qu'on le sache ; mais l'ECC ne garantit que l'exactitude des données mémoire, il ne compense pas la perte de performances — pages retirées et remappages réduisent la capacité disponible, et des compteurs propres ne signifient pas l'absence de dégradation : il faut compléter avec des tests de charge sur la bande passante et le débit mémoire.
  • Le diagnostic a ses limites : l'inspection visuelle des contacts et du dissipateur ne révèle que les traces de circulation, les dommages internes des puces ne se révèlent qu'à force de tests de charge prolongés en pleine charge — un relevé propre de courte durée ne garantit pas la stabilité à long terme ; la fatigue des soudures et les défauts internes des empilements TSV échappent encore aux relevés logiciels : pour les transactions importantes, une inspection tierce de niveau démontage reste la garantie de dernier recours.
Mémoire HBM3eInterconnexion NVLinkSXM / NVL8Refroidissement liquide à plaque froide / CDUFormat de précision FP8MoE mélange d'expertsPuce de commutation NVSwitchRéseau d'interconnexion InfiniBandStockage NVMeCDU de refroidissement par liquideRDMA accès direct à la mémoire distanteGPUDirectTensor CoreMIG (Multi-Instance GPU)PCIe Gen5Calcul confidentielvGPU GPU virtuelFP4 / FP6 flottants basse précisionKV Cache cache d'inférenceScale-up et Scale-outCPO optique co-packagéeNVLink FusionArchitecture modulaire MGXQuantification de modèleParallélisme de tenseursCommunications collectivesUsine à IABoucle de refroidissement liquideIndicateur d'efficacité PUETensorRT-LLMMoteur d'inférence vLLMLoRA adaptation bas rangChaîne d'approvisionnement en calculTCO coût total de possessionBenchmark de débit d'inférenceDistillation de modèleChaîne d'alimentation électriqueÉconomie des tokensPipeline de données d'entraînementStack d'optimisation d'inférenceMémoire GDDR7Famille des connecteurs d'alimentation (EPS/PCIe 8pin/12VHPWR/12V-2x6)Chronologie des contrôles à l'exportation vers la ChineGuide de validation GPU (nvidia-smi/GPU-Z)Optimisation d'inférence TensorRTExécution par graphes CUDA GraphsBibliothèque de communications collectives NCCLFormat de modèle ouvert ONNXGénéalogie des générations HBMEntraînement en précision mixteGénérations PCIeGénéalogie des formats de rackDécoder la nomenclature des GPUCircuit de GPU d'occasionComparaison refroidi par air / refroidi par liquideMFU (taux d'utilisation de la puissance de calcul du modèle)Mémoire DDR5Mémoire HBM4Interconnexion UALinkFiche modèle B300

Références REFERENCES

  1. Site officiel NVIDIA — page produit Blackwell Ultra / HGX B300 https://www.nvidia.com/en-us/data-center/hgx/
  2. Données de marché et de circulation : AIXX Exchange (bande de marché de cette base)
Versions et corrections | Cette entrée est maintenue par la rédaction d'AIXX Pedia : rédaction assistée par IA, vérification factuelle humaine. Mise à jour le 31-10-2026 · Version v1.0 · Chaque révision est traçable.
Cette base
Politique éditorialeÀ propos de cette base (déclaration d'intérêts)le canal de corrections
Résumé de la charte éditoriale
Chaque affirmation sourcéeLes défauts obligatoirement mentionnés · Corrections publiques tracéesAucune entrée sponsorisée acceptéeZéro élément de prospection ou de vente dans les entréesDonnées de marché intégrées uniquement comme module de données
Famille AIXX
AIXX CloudAIXX ExchangeAIXX IndexActualités AIXX
Bilan du marché : AIXX Exchange · © 2026 AIXX Pedia · Une production AIXX