
Обнаружение ошибок в вычислительных ядрах становится критически важным, так как наличие даже одного незамеченного сбоя может привести к остановке многонедельной сессии обучения искусственного интеллекта. Проблема тихого повреждения данных (SDC) представляет собой распространённое явление в процессорах с высокой плотностью ядер и длительными периодами работы.
Система обучения Dojo, состоящая из 8850 64-битных ядер архитектуры RISC-V, может сталкиваться с повреждением данных без явных признаков неисправности. Успех разработчиков Stress заключается в том, что каждая ядро получает уникальную программу, что позволяет осуществлять выявление неисправностей в процессе работы, не останавливая общий процесс. Это взаимодействие между ядрами значительно повышает эффективность обнаружения неисправностей в десять раз.
Stress способен выявлять сбои на миллионах активных ядер; в большинстве случаев ошибки становятся заметными после обработки от 1 до 100 ГБ тестовых инструкций, хотя в сложных ситуациях может потребоваться более 1 ТБ. Кроме того, Stress помогает находить архитектурные ошибки и уязвимости программного обеспечения в процессе развёртывания.


