データセンターとその計算ノードの運用には、ワークロード、環境パラメータ、物理的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とされています。従来のHPCとその遠隔測定向け機械学習アプローチは、特定のタスク向けに調整された静的で固定位置のセンサー変数の匿名サブセットに依存していました。このため、対象タスクが変わったりセンサーメトリクスが異なったりすると、これらのモデルはすぐに陳腐化してしまいます。 今回提案されたSeT-Diffは、計算ノードの遠隔測定とタイムシリーズデータ向けとしては初の基盤モデルです。固定的なアーキテクチャとは異なり、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基づいて生成プロセスを条件付けることで、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ています。実世界のスーパーコンピュータデータセットでの実験では、再構成タスクにおいて平均絶対誤差（MAE）0.0470を実現しました。 SeT-Diffはゼロショット順列安定性を示し、センサーが並び替えられても無視できるほどの精度低下に抑えながら精度を維持します。単一の事前学習済みモデルがデータ補完、予測、仮想センシングを効果的に実行し、熱推論において0.033のMAEを達成することで、HPCシステム向けの有効なデータ駆動型デジタルツインとしての地位を確立しています。