고성능 컴퓨팅(HPC) 데이터센터는 방대한 워크로드, 환경 매개변수, 물리적 지표들이 복잡하게 얽혀 있어 이를 정확하게 모델링하는 '디지털 트윈(Digital Twin)' 기술이 필수적입니다. 하지만 기존 머신러닝(ML) 기반 접근 방식은 특정 작업에 맞춰 고정된 센서 변수에 의존하기 때문에, 작업이 바뀌거나 센서 구성이 달라지면 모델을 다시 구축해야 하는 비효율성이 있었습니다. 이러한 한계를 극복하기 위해 새로운 기반 모델(Foundation Model)인 'SeT-Diff'가 제안되었습니다.
SeT-Diff는 컴퓨팅 노드의 원격 측정(telemetry) 및 시계열(time-series) 데이터를 위한 최초의 의미론적 기반 모델입니다. 이 모델은 확산(diffusion) 기반 접근 방식을 사용하여 각 센서의 '의미론적 설명(semantic description)'을 생성 과정에 반영합니다. 이를 통해 시스템의 동적 특성과 데이터셋의 구조를 분리하여, 센서 구성이 변경되어도 모델의 정확도를 유지할 수 있는 유연성을 확보했습니다. 실제 슈퍼컴퓨터 데이터셋을 활용한 실험에서 SeT-Diff는 재구성 작업에서 평균 절대 오차(MAE) 0.0470을 기록했으며, 센서 순서가 뒤섞여도 성능 저하가 거의 없는 '제로샷 순열 안정성(zero-shot permutation stability)'을 보였습니다.
단일 사전 학습(pre-trained)된 SeT-Diff 모델은 데이터 결측치 보완(data imputation), 미래 예측(forecasting), 가상 센싱(virtual sensing) 등 다양한 작업을 효과적으로 수행합니다. 특히 열 추론(thermal inference)에서는 0.033 MAE를 달성하며 뛰어난 성능을 입증했습니다. 이는 SeT-Diff가 HPC 시스템을 위한 효율적인 데이터 기반 디지털 트윈으로서 기능할 수 있음을 보여줍니다. 이 기술은 데이터센터 운영의 복잡성을 줄이고 예측 정확도를 높여, 궁극적으로 시스템 안정성과 효율성을 크게 향상시킬 잠재력을 가지고 있습니다.