Turing、Google CloudのA3 Ultra 240 GPU Slurmクラスタを2週間で構築し4ヶ月運用した知見

Turingのインフラチームは、Google Cloud上にA3 Ultra（NVIDIA H200 × 8）30ノード、計240 GPUのSlurmクラスタを2026年3月に着手して約2週間で立ち上げ、約4ヶ月運用した。Managed Lustreは36 TBから504 TBまで拡張を重ね、内部エラーや内部quotaの制約で新規インスタンスへの切り替えが必要になった。Xidを伴うGPU障害への対応や、クラスタ全体の再構築も経験した。