arXiv cs.AI· Yuanlin Wen, Elan Markowitz, Zubo Gu, Sami Abu-El-Haija, Bryan Perozzi, Mikhail Galkin, Ali Parviz, Aayush Gupta, Venkata Chivukula, Griffin Hadfield, Aravind Akella, Daniel J. Frame, Vahab Mirrokni, Amin Vahdat·· 10 小时前AI 评分52
HardwareDx:面向数据中心机器维修的图基础模型系统
HardwareDx: A Foundational Graph Model System for Datacenter Machine Repairs
AI 导读
Google 提出 AI 硬件诊断系统 HardwareDx,用图基础模型让单一模型诊断多种平台,并在生产规模部署。论文称其在 GPU 平台将生产停机时间降低 18.3%、在 TPU 上降低 16.1%,同时把 GPU 的 QA 时间缩短 28.3%、TPU 缩短 25.1%。该工作已被 NeurIPS 2026 接收。
正文 · AI 翻译
作者:Yuanlin Wen、Elan Markowitz、Zubo Gu、Sami Abu-El-Haija、Bryan Perozzi、Mikhail Galkin、Ali Parviz、Aayush Gupta、Venkata Chivukula、Griffin Hadfield、Aravind Akella、Daniel J. Frame、Vahab Mirrokni、Amin Vahdat
摘要:AI 基础设施的快速扩张使数据中心可靠性成为云业务经济的基石。由于超大规模 AI 集群中的硬件故障可能使价值数百万美元的训练工作负载停滞,单台机器的停机可能造成巨大的经济损失。因此,最大限度地减少机器停机时间比以往任何时候都更加重要。
为此,我们提出了 Hardware Diagnoser(HardwareDx),这是一种 AI 驱动的硬件诊断系统,采用图基础模型方法实现数据中心自动化维护。它使单个模型能够诊断多种平台,并加速新硬件产品的上线。HardwareDx 已在 Google 以生产规模部署,在多种计算架构上带来了显著的效率提升。真实环境评估表明,它可将 GPU 平台的生产停机时间减少 18.3%,将 TPU 平台减少 16.1%。此外,它显著加快了硬件部署速度,将 GPU 的质量保证(QA)时间缩短 28.3%,将 TPU 缩短 25.1%。这些结果确立了 HardwareDx 作为经过实地检验的解决方案的地位,可最大限度地提升下一代 AI 集群的可靠性和成本效率。
| Comments: | 已被 NeurIPS 2026 接收 |
| Subjects: | 人工智能(cs.AI);硬件架构(cs.AR) |
| 引用格式: | arXiv:2611.23398 [cs.AI] |
| (或本版本的 arXiv:2611.23398v1 [cs.AI]) | |
| https://doi.org/10.48550/arXiv.2611.23398 arXiv 颁发的 DOI 经由 DataCite(待注册) |
提交历史
来自:Elan Markowitz [查看邮箱]
[v1]
2026 年 11 月 17 日星期二 19:01:11 UTC(125 KB)
来源:arXiv cs.AI · arxiv.org