特斯拉：晶圆级处理器+百万核心超级计算机缺陷内核快速检测

文章预览

在大规模处理器上检测故障核心并将其禁用是一项挑战，但特斯拉开发了其  Stress 工具。该工具不仅可以检测 Dojo 处理器上易发生静默数据损坏的核心，还能检测拥有数百万核心的 Dojo 集群中的此类核心，且无需让它们脱机。这是一项极其重要的功能，因为特斯拉表示，单个静默数据错误就可能毁掉一次耗时数周完成的完整训练过程。  特斯拉的  Dojo 是目前地球上现存的两大 晶圆级 处理器之一 （另一个是 Cerebras ） 。这些大规模晶圆级芯片使用一整片  300 毫米晶圆，这意味着不可能一次性创造出更大的计算能力块。每个 Dojo 晶圆级处理器集成了多达 8850 个核心，但其中一些核心在部署后可能会引发静默数据损坏（SDC），从而破坏大规模训练运行的结果。  具体来说， 特斯拉的  Dojo  晶圆上系统（ system-on-wafer ）处理器（特斯拉官方称其为  Doj ………………………………