MI300X GPU の問題

GPU とヒートシンク・モジュール、および GPU ベースボードに関連する問題を解決するには、この情報を使用します。

GPU のヘルス・チェック

注

次のいずれかのユーティリティーを使用して、GPU ヘルス・ステータスを確認します。必ず、以下の必要なユーティリティーを含む GPU ドライバーを更新してください。最新のドライバーは、ThinkSystem SR685a V3 用のドライバーおよびソフトウェアのダウンロード Web サイトで入手することができます。

システム管理インターフェース (SMI) 情報について詳しくは、AMD システム管理インターフェースを参照してください。

rocm-smi
rocm-smi ユーティリティーを実行して、8 つの GPU をオンラインで表示します。
図 1. rocm-smi
rocm-smi --showrasinfo
rocm-smi --showrasinfo ユーティリティーを実行して、8 つの GPU のハードウェアの詳細を表示します。
図 2. rocm-smi --showrasinfo
rocm-smi --showhw
rocm-smi --showhw ユーティリティーを実行して、8 つの GPU のエラー・カウンターを表示します。
図 3. rocm-smi --showhw
rocm-smi -a
ユーティリティ rocm-smi -a を実行して、8 つの GPU のステータスを表示します。
図 4. rocm-smi -a

いずれかのイベントが XCC Web イベント・ログに表示される場合は、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。

イベント FQXSPIO0015M: システム [ComputerSystemElementName] のスロット [PhysicalConnectorSystemElementName] で障害が発生しました。 が表示される場合は、FQXSPIO0015Mを参照して問題を解決してください。
イベント FQXSFIO0010M: 訂正不能 PCIe エラーがバス [arg1] デバイス [arg2] 機能 [arg3] で発生しました。デバイスのベンダー ID は [arg4] で、デバイス ID は [arg5] です。物理 [arg6] 番号は [arg7] です。が表示される場合は、FQXSFIO0010Mを参照して問題を解決してください。
注
パラメーター:
- [arg1] バス
- [arg2] デバイス
- [arg3] 機能
- [arg4] VID
- [arg5] DID
- [arg6] スロット/ベイ
- [arg7] インスタンス番号
イベント FQXSPUN0019M: センサー [SensorElementName] が重大度の低い状態から重大に遷移しました が表示される場合は、FQXSPUN0019Mを参照して問題を解決してください。

注

次の表は、XCC のスロット番号付けと物理 GPU ソケット間のマッピング情報を示しています。

フィードバックを送る