GPU の問題

• GPU および GPU ボードのヘルス・チェック
• システムが GPU ボードの検出に失敗する
• システムが特定の GPU の検出に失敗する
• XCC GPU センサー仕様

GPU および GPU ボードのヘルス・チェック​

ipmitool による以下のセンサー・ステータスは、GPU および GPU ボードが正常な状態であることを示します。

$ ipmitool -I lanplus -H 192.168.70.125 -U USERID -P PASSW0RD 
sdr elist | grep GPU 
GPU Board Power  | 8Ch | ok | 21.4 | 250 Watts 
GPU Board        | E9h | ok | 11.8 | Transition to OK 
GPU CPUs         | EAh | ok | 11.9 | Transition to OK

GPU の正常性を確認するには、Intel® XPU Manager を使用します。Intel® XPU Manager は、GPU 監視および管理ツールで、GPU 管理を単純化します。Intel® XPU Manager のダウンロードおよび情報については、「Intel® XPU Manager」を参照してください。

システムが GPU ボードの検出に失敗する​

イベント Sensor GPU Board has transitioned to critical from a less severe state が XCC Web イベント・ログに表示される場合は、システムが GPU ボードの検出に失敗したことを示します。問題を解決するには、以下のステップを実行してください。

1. システムの電源サイクルを実行します。
2. XCC および SMM2 の電源入力関連イベントを確認します (SMM2 - 電源 を参照)。
3. システム温度および水流量を確認します。漏れがないか探し、水冷却システムを切り離してから再接続します。
4. システムをリブートし、ipmi ヘルス・チェックを実行します (GPU および GPU ボードのヘルス・チェック を参照)。
5. 以下のいずれかは、問題が解決されたことを示します。

   • XCC メッセージの FQXSPUN0017I (Sensor GPU Board has transitioned to normal state)
   • Web ログの Sensor GPU Board has transitioned to normal state
   ただし、問題が解決しない場合は、以下の手順を実行してください。

   1. XCC サービス・データを収集します (サービス・データの収集 を参照)。
   2. Lenovo サービスに連絡します。

システムが特定の GPU の検出に失敗する​

XCC Web イベント・ログにイベント Sensor GPU CPUs has transitioned to critical from a less severe state が表示される場合は、システムが 1 つ以上の特定の GPU の検出に失敗したことを示します。問題を解決するには、以下のステップを実行してください。

1. XCC イベントからリタイマーが温度を超えているかを確認し、超えている場合は、次の手順をスキップします。
2. データセンターサポート・サイト (ThinkSystem SD650-I V3 の Lenovo データセンターサポート) から最新のファームウェアをダウンロードし、ファームウェアを更新します。
3. システムをリブートし、ipmi ヘルス・チェックを実行します (GPU および GPU ボードのヘルス・チェック を参照)。

4. XCC Web イベント・ログにイベント Sensor GPU Board has transitioned to normal state が表示される場合は、問題が解決されたことを示します。

   ただし、問題が解決しない場合は、以下の手順を実行してください。

   1. XCC Web イベント・ログを確認し、障害のある装置ユニットおよび問題のタイプを識別します (XCC GPU センサー仕様 を参照)。
   2. XCC サービス・データを収集します (サービス・データの収集 を参照)。
   3. 診断のために xpu-smi を実行します (詳しくは、Intel® XPU Manager を参照)
   4. Lenovo サービスに連絡します。

XCC GPU センサー仕様​

XCC Web イベント・ログにイベントが表示される場合は、以下の表を参照して、障害のある装置ユニットおよび問題のタイプを識別します。例:

6 | 01/08/2021 | 14:34:53 | 0x0020 | Add-in Card GPU Board | Trasition to Critical from less severe | Asserted |0xA2F60F