# Summit [[Oak Ridge National Laboratory]] が運用するスパコン。冷却・電力インフラの長期テレメトリを保有する。(Source: [[@2025__ISAV__From Exploration to Explanation - ML-Driven Causal Discovery for Datacenter Reliability at Scale]]) - [[PACE]] の評価データは Summit の冷却インフラの 7 年分のテレメトリで、Yokogawa SMARTDAC 監視システムで収集された施設メトリクス(冷却塔の入口・出口温度、ポンプ流量、チラー状態、熱交換器性能など数十〜数百の相互依存する指標)を含む。主な実験は欠損が少なく動作条件が多様な 3 ヶ月の代表ウィンドウで実施された。 - 先行研究は Summit の電力・熱・冷却ダイナミクスを相関に着目して記述したが、PACE はそこに有向の因果探索を加える位置づけ。 NSDI 2022([[@2022__NSDI__Accelerating Collective Communication in Data Parallel Training across Deep Learning Frameworks]])では、[[Horovod]] の集団通信改善の評価環境として Summit 全体(4608 ノード × 6 GPU = 27,600 GPU)が使われた。各ノードは IBM AC922(2× IBM POWER9 + 6× NVIDIA V100、NVLink 2.0 + EDR InfiniBand)で構成され、FP16 精度で 1.54 エクサフロップスの持続性能とスケーリング効率 0.93 を達成した。 ## 関連 - ソース: [[@2025__ISAV__From Exploration to Explanation - ML-Driven Causal Discovery for Datacenter Reliability at Scale]] / [[@2022__NSDI__Accelerating Collective Communication in Data Parallel Training across Deep Learning Frameworks]] - 運用機関: [[Oak Ridge National Laboratory]] - 関連プロダクト: [[PACE]] / [[Horovod]] - 概念: [[テレメトリ]] / [[根本原因分析]] / [[集合通信]] / [[LLM分散学習]]