データセンターとその計算ノードには、ワークロード、環境パラメータ、物理メトリクスの複雑な相互作用をモデル化できる、正確で柔軟なデジタルツインが必要です。現在のHPCとそのテレメトリに対する機械学習アプローチは、通常、単一タスクに合わせた静的な匿名センサー変数のサブセットに依存しています。その結果、対象タスクが変わったりセンサーメトリクスが変化すると、これらのモデルは使えなくなります。
この問題に対処するため、研究者らはSeT-Diffを提案しました。これは、計算ノードのテレメトリと時系列データのための初の基盤モデルです。 rigidなアーキテクチャとは異なり、この拡散ベースのアプローチは、各センサーのセマンティック記述に生成プロセスを条件付け、システムダイナミクスをデータセット構造から切り離します。これにより、モデルは異なるセンサー構成やタスクに柔軟に適応できます。
実際のスーパーコンピュータデータセットでの実験では、SeT-Diffは再構成タスクで平均絶対誤差（MAE）0.047を達成しました。さらに、ゼロショットの並べ替え安定性を示し、センサーをシャッフルしても精度の低下はごくわずかです。単一の事前学習済みモデルで、データ補完、予測、仮想センシングを効果的に実行し、熱推論では0.033のMAEを達成しました。これにより、SeT-DiffはHPCシステムの効果的なデータ駆動型デジタルツインとなります。この研究は、HPCテレメトリ領域におけるセマンティック基盤モデルの可能性を示し、より柔軟で汎用的なデジタルツインシステムへの道を開くものです。