SK hynix Kembangkan Kontroler SSD dengan Akselerator Khusus untuk Beban AI

SK hynix memperkenalkan pengembangan arsitektur kontroler SSD baru yang menggunakan prosesor khusus bernama Hynix Transaction Processing Unit atau H-TPU. Teknologi yang dipaparkan dalam konferensi ISOCC 2026 ini dirancang untuk meningkatkan efisiensi pemrosesan data pada perangkat penyimpanan generasi berikutnya, terutama ketika menghadapi tuntutan infrastruktur kecerdasan buatan. Berbeda dari akselerator yang menjalankan model AI, H-TPU berfokus pada pengelolaan transaksi penyimpanan, termasuk perintah baca dan tulis serta pengaturan metadata. Inovasi tersebut diharapkan membantu SSD enterprise menangani arus data lebih besar dengan konsumsi daya yang lebih terkendali, sekaligus mendukung perkembangan pusat data AI.

SK hynix Hadirkan Arsitektur Kontroler SSD Khusus untuk Kebutuhan AI

Perkembangan TEKNOLOGI kecerdasan buatan mendorong kebutuhan terhadap infrastruktur pengelolaan data yang efisien. Pada infrastruktur komputasi modern, SSD memainkan peranan penting dalam menyediakan informasi yang digunakan oleh CPU dan GPU. Meskipun demikian, peningkatan kecepatan antarmuka dan kapasitas penyimpanan menciptakan tekanan terhadap kemampuan kontroler SSD. Sejalan dengan perkembangan industri, SK hynix mengembangkan Hynix Transaction Processing Unit atau H-TPU. Arsitektur pemrosesan tersebut bertujuan untuk mengelola pekerjaan kontrol penyimpanan yang berulang. Melalui pendekatan ini, beban pemrosesan dapat dialihkan dari CPU utama menuju sejumlah unit khusus yang lebih sederhana.

Pengembangan H-TPU dipresentasikan oleh Koo In-jae, pejabat yang membidangi desain system-on-chip di SK hynix, dalam International SoC Design Conference atau ISOCC 2026 di Incheon, Korea Selatan. Dalam paparannya, perusahaan menjelaskan keterbatasan pendekatan tradisional yang mengandalkan CPU serbaguna untuk mengatur banyak pekerjaan internal SSD. Saat kebutuhan transfer data bertambah, CPU pengendali perlu mengelola semakin banyak permintaan dalam waktu singkat. Meningkatkan jumlah inti CPU biasa memang mungkin memperbesar kemampuan pemrosesan, tetapi juga menghadirkan konsekuensi berupa penggunaan daya dan luas chip yang lebih besar. Dengan mempertimbangkan kondisi tersebut, SK hynix menyiapkan pendekatan pemrosesan terdistribusi untuk meningkatkan efisiensi kontroler generasi mendatang.

Cara Kerja H-TPU dalam Mengelola Transaksi SSD

Ketika sebuah SSD bekerja, kontroler berperan mengatur komunikasi antara sistem komputer dan chip memori NAND. Banyak operasi penyimpanan memerlukan penanganan perintah baca dan tulis, pengelolaan alamat data, serta pengaturan buffer. Selain itu, kontroler juga perlu mengelola pemulihan kesalahan dan kebijakan penyimpanan. Pada rancangan konvensional, sebagian besar pekerjaan tersebut diproses menggunakan inti CPU serbaguna. Sementara itu, sejumlah operasi rutin didistribusikan kepada H-TPU yang dirancang secara khusus. Strategi pemisahan tugas ini dikembangkan untuk membatasi beban CPU utama sekaligus membantu pemrosesan banyak transaksi secara paralel.

Di antara karakteristik utama H-TPU adalah penggunaan arsitektur pemrosesan yang lebih ringkas. Dalam rincian rancangan yang dilaporkan, unit tersebut menggunakan pipeline empat tahap dengan pola eksekusi berurutan. Pendekatan arsitektur itu menghindari mekanisme kompleks seperti superscalar dan out-of-order execution yang umum ditemukan pada CPU berperforma tinggi. Untuk menggantikan kompleksitas tersebut, H-TPU memfokuskan sumber daya pada tugas transaksi penyimpanan yang sudah ditentukan. Berkat strategi ini, CPU utama dapat lebih berfokus pada pekerjaan tingkat tinggi, termasuk kebijakan penyimpanan dan penanganan pengecualian. Meskipun begitu, kemampuan arsitektur baru tetap memerlukan pengujian menyeluruh sebelum manfaatnya terbukti pada berbagai kondisi dalam produk komersial.

Efisiensi Prosesor H-TPU Dibandingkan Inti CPU Konvensional

Di samping mendistribusikan tugas pemrosesan, SK hynix juga menyoroti efisiensi area chip dan konsumsi daya dalam pengembangan H-TPU. Dalam paparan teknisnya, satu inti H-TPU menempati area sekitar 4 persen dari luas inti CPU umum yang dijadikan pembanding. Sementara itu, kebutuhan dayanya diklaim sekitar 2,5 persen dari daya inti CPU pembanding. Klaim efisiensi tersebut menggambarkan potensi penghematan sumber daya pada tingkat unit pemrosesan. Walaupun begitu, persentase tersebut tidak berarti seluruh SSD akan menggunakan daya 97,5 persen lebih rendah. Efisiensi pada tingkat produk tetap dipengaruhi oleh jumlah unit yang digunakan, memori NAND, antarmuka, dan komponen lainnya. Karena itu, hasil tersebut sebaiknya ditafsirkan sebagai karakteristik desain inti H-TPU.

Rancangan berorientasi efisiensi merupakan penting ketika kontroler mengintegrasikan banyak prosesor khusus sekaligus. Menurut rancangan yang dipaparkan, SK hynix memecah pekerjaan ke dalam puluhan kelompok unit H-TPU, dengan kemungkinan penggunaan jumlah inti yang lebih besar sesuai kebutuhan. Tidak kalah penting, unit yang sedang tidak digunakan dapat ditempatkan ke kondisi hemat daya. Dengan mekanisme tersebut, sistem diharapkan mampu membatasi penggunaan energi pada komponen yang tidak sedang menjalankan pekerjaan. Hal ini penting bagi pusat data yang mengoperasikan banyak SSD secara bersamaan. Namun demikian, efisiensi aktual pada lingkungan server membutuhkan pengujian melalui benchmark yang memeriksa kinerja, daya, dan karakteristik beban kerja.

Kontroler Baru SK hynix Ditujukan untuk Beban Kerja AI

Peningkatan penggunaan kecerdasan buatan mendorong kebutuhan baru dalam pemrosesan data pusat komputasi. Pada pengembangan model kecerdasan buatan, sistem perlu membaca dataset berukuran besar secara intensif. Di sisi lain, aplikasi AI sering mengandalkan akses cepat terhadap parameter model, cache, dan informasi pendukung. Kondisi tersebut memberikan tekanan besar terhadap SSD, terutama ketika banyak permintaan diproses secara bersamaan. Dengan menggunakan H-TPU, SK hynix mencoba kontroler yang dirancang untuk memproses lebih banyak transaksi secara efisien. Sasaran pengembangan tersebut bukan untuk menjalankan model AI seperti GPU, melainkan meningkatkan jalur pengelolaan data yang digunakan dalam pekerjaan AI.

Pada infrastruktur inferensi, pola akses penyimpanan memiliki karakteristik berbeda dibandingkan beban kerja komputer biasa. Dalam skenario pembacaan model, data lebih sedikit mengalami penulisan tetapi diakses berulang kali. Karakteristik ini sering disebut write once, read many atau WORM. Dalam contoh karakteristik beban yang dilaporkan, perbandingan operasi baca terhadap tulis pada skenario tertentu bahkan dilaporkan sekitar 300.000 banding satu. Angka tersebut merupakan contoh pola khusus, bukan seluruh aplikasi AI. Dalam skenario tersebut, kemampuan mengelola buffer dan permintaan baca secara efisien menjadi faktor penting. Meskipun demikian, manfaat H-TPU terhadap kinerja inferensi secara keseluruhan masih bergantung pada implementasi nyata dan pengukuran sistem.

Strategi SK hynix Mengembangkan Penyimpanan untuk Infrastruktur AI

Selain penggunaan SSD enterprise, arsitektur H-TPU juga dipertimbangkan untuk mendukung konsep High Bandwidth Flash atau HBF. Konsep memori tersebut dikembangkan untuk memadukan karakteristik kapasitas besar NAND dengan kebutuhan bandwidth tinggi dalam sistem AI. Ketika menangani model AI berskala besar, terdapat kesenjangan antara memori berkecepatan tinggi yang mahal dan penyimpanan berkapasitas besar yang memiliki latensi lebih tinggi. HBF dikembangkan agar dapat membantu mengisi lapisan memori di antara kategori tersebut. Menurut arah pengembangan SK hynix, kontroler dapat mengolah informasi mengenai kebutuhan data berikutnya untuk mengatur prefetch dan pengelolaan buffer. Sasaran pengembangan tersebut adalah mengurangi waktu tunggu ketika komponen komputasi memerlukan informasi dari penyimpanan.

Rancangan unit pemrosesan khusus tersebut juga berkaitan dengan strategi produk AI-NAND atau AIN Family dari SK hynix. Dalam portofolio tersebut, perusahaan merancang beberapa kategori solusi berdasarkan kebutuhan performa, bandwidth, dan kapasitas. AIN P ditujukan untuk kebutuhan pemrosesan data yang membutuhkan performa besar pada pekerjaan AI. Di sisi lain, AIN B berfokus pada bandwidth, sedangkan AIN D ditujukan bagi kapasitas penyimpanan. Dengan pendekatan tersebut, SK hynix menargetkan pengembangan solusi yang lebih sesuai dengan karakteristik penggunaan. Namun demikian, penerapan H-TPU pada produk tertentu, jadwal distribusi, serta peningkatan kinerja komersial masih perlu mengikuti pengumuman dan pengujian lanjutan. Karena itu, rancangan ini lebih tepat dilihat sebagai arah pengembangan teknologi yang belum sepenuhnya terbukti pada seluruh lini produk.

Masa Depan SSD Hemat Daya untuk Infrastruktur Kecerdasan Buatan

Perancangan H-TPU oleh SK hynix menghadirkan langkah menarik dalam perkembangan TEKNOLOGI penyimpanan data untuk kebutuhan kecerdasan buatan. Melalui penggunaan unit pemrosesan khusus, perusahaan berupaya pengelolaan transaksi SSD yang lebih efisien dibandingkan pendekatan yang terlalu bergantung pada CPU umum. Hasil perbandingan desain mengenai area chip dan konsumsi daya menggambarkan potensi penggunaan banyak unit ringan dalam satu arsitektur kontroler. Di samping itu, rencana pemanfaatannya pada SSD enterprise dan HBF menunjukkan pentingnya pengembangan sistem penyimpanan untuk menunjang infrastruktur AI. Meskipun demikian, peningkatan performa dan efisiensi keseluruhan perangkat tetap membutuhkan validasi melalui implementasi serta pengujian pada produk nyata. Seiring meningkatnya kebutuhan komputasi, inovasi seperti H-TPU berpotensi mendorong pusat data mengelola pertumbuhan lalu lintas informasi dengan energi yang lebih terkendali. Apa pendapat Anda, apakah penggunaan prosesor khusus dalam kontroler SSD dapat menghadirkan solusi penting bagi penyimpanan era AI? Tuliskan pandangan Anda mengenai masa depan infrastruktur AI.