資料中心及其計算節點需要能夠精確模擬工作負載、環境引數與物理指標之間複雜互動的數字孿生。當前用於高效能運算（HPC）遙測的機器學習方法通常依賴於靜態的、匿名的、固定位置的感測器變數子集，這些變數專為單一任務設計。因此，當目標任務改變或感測器指標變化時，這些模型便不再適用。
針對這一侷限，研究人員提出了SeT-Diff，這是首個面向計算節點遙測和時間序列的基礎模型。與剛性架構不同，SeT-Diff採用基於擴散的方法，將生成過程條件於每個感測器的語義描述，從而將系統動態與資料集結構解耦。這意味著該模型能夠靈活適應不同的感測器配置和任務需求。
在真實超級計算機資料集上的實驗表明，SeT-Diff在重建任務上實現了0.047的平均絕對誤差（MAE）。此外，該模型展現出零樣本排列穩定性：即使感測器順序被打亂，其精度也僅有微乎其微的下降。一個預訓練好的SeT-Diff模型能夠有效執行資料插補、預測和虛擬感測——在熱推斷任務中達到了0.033的MAE。這使其成為HPC系統高效的資料驅動數字孿生工具。該研究由Giovanni B. Esposito等人完成，論文於2026年5月11日提交至arXiv，編號為2607.22548。SeT-Diff的工作展示了語義基礎模型在HPC遙測領域的巨大潛力，為構建更靈活、更通用的數字孿生系統鋪平了道路。