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 meningkatkan kebutuhan terhadap infrastruktur pengelolaan data yang efisien. Ketika menjalankan aplikasi AI berskala besar, SSD memegang peranan penting dalam menyalurkan informasi yang digunakan oleh CPU dan GPU. Walaupun begitu, peningkatan kecepatan antarmuka dan kapasitas penyimpanan menghadirkan tekanan terhadap kemampuan kontroler SSD. Untuk menghadapi kebutuhan baru ini, SK hynix memperkenalkan Hynix Transaction Processing Unit atau H-TPU. Komponen tersebut bertujuan untuk mengelola pekerjaan kontrol penyimpanan yang sering dijalankan. Berkat pengembangan tersebut, beban pemrosesan dapat dibagi dari CPU utama menuju sejumlah unit khusus yang lebih sederhana.

Perancangan H-TPU dipaparkan oleh Koo In-jae, pejabat yang menangani desain system-on-chip di SK hynix, dalam International SoC Design Conference atau ISOCC 2026 di Incheon, Korea Selatan. Berdasarkan penjelasan teknis yang dilaporkan, perusahaan menyoroti keterbatasan pendekatan tradisional yang bertumpu pada CPU serbaguna untuk mengatur banyak pekerjaan internal SSD. Saat kebutuhan transfer data bertambah, CPU pengendali harus menangani semakin banyak permintaan dalam waktu singkat. Memperbanyak 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.

Arsitektur Pemrosesan Paralel pada Kontroler SSD SK hynix

Pada SSD modern, kontroler berperan mengelola komunikasi antara sistem komputer dan chip memori NAND. Berbagai pekerjaan memerlukan penanganan perintah baca dan tulis, pengelolaan alamat data, serta pengaturan buffer. Tidak hanya itu, kontroler juga bertanggung jawab terhadap pemulihan kesalahan dan kebijakan penyimpanan. Dalam pendekatan kontroler tradisional, sebagian besar pekerjaan tersebut diproses menggunakan inti CPU serbaguna. Sementara itu, sejumlah operasi rutin dialihkan kepada H-TPU yang dioptimalkan untuk fungsi tertentu. Strategi pemisahan tugas ini bertujuan untuk menekan beban CPU utama sekaligus memungkinkan pemrosesan banyak transaksi secara paralel.

Bagian dari keunggulan desain H-TPU adalah penggunaan arsitektur pemrosesan yang lebih ringkas. Berdasarkan paparan teknis, unit tersebut menerapkan pipeline empat tahap dengan pola eksekusi berurutan. Pendekatan arsitektur itu tidak mengandalkan mekanisme kompleks seperti superscalar dan out-of-order execution yang umum ditemukan pada CPU berperforma tinggi. Dalam pendekatan ini, H-TPU memusatkan sumber daya pada tugas transaksi penyimpanan yang memiliki fungsi jelas. Dengan demikian, CPU utama memiliki ruang lebih besar untuk menangani pekerjaan tingkat tinggi, termasuk kebijakan penyimpanan dan penanganan pengecualian. Namun demikian, kemampuan arsitektur baru tetap membutuhkan pengujian menyeluruh sebelum manfaatnya terbukti pada berbagai kondisi dalam produk komersial.

Desain Hemat Energi SK hynix untuk Kontroler SSD Masa Depan

Selain memisahkan tugas pemrosesan, SK hynix juga menyoroti efisiensi area chip dan konsumsi daya dalam pengembangan H-TPU. Dalam paparan teknisnya, satu inti H-TPU menggunakan area sekitar 4 persen dari luas inti CPU umum yang dijadikan pembanding. Sementara itu, kebutuhan dayanya dilaporkan setara dengan 2,5 persen dari daya inti CPU pembanding. Angka tersebut menggambarkan potensi penghematan sumber daya pada tingkat unit pemrosesan. Walaupun begitu, persentase tersebut bukan bukti bahwa seluruh SSD akan menggunakan daya 97,5 persen lebih rendah. Performa total perangkat tetap ditentukan oleh jumlah unit yang digunakan, memori NAND, antarmuka, dan komponen lainnya. Karena itu, hasil tersebut lebih tepat dipahami sebagai karakteristik desain inti H-TPU.

Pendekatan hemat daya termasuk penting ketika kontroler memanfaatkan banyak prosesor khusus sekaligus. Dalam pengembangan yang dilaporkan, SK hynix memecah pekerjaan ke dalam puluhan kelompok unit H-TPU, dengan kemungkinan penggunaan jumlah inti yang lebih besar sesuai kebutuhan. Di samping itu, unit yang sedang tidak digunakan dapat ditempatkan ke kondisi hemat daya. Berkat pendekatan pengelolaan daya tersebut, sistem dirancang untuk mengurangi penggunaan energi pada komponen yang tidak sedang menjalankan pekerjaan. Hal ini relevan bagi pusat data yang menggunakan banyak SSD secara bersamaan. Namun demikian, efisiensi aktual pada lingkungan server membutuhkan pengujian melalui benchmark yang mengukur kinerja, daya, dan karakteristik beban kerja.

Penyimpanan Berbasis AI Membutuhkan Pengolahan Data yang Lebih Efisien

Peningkatan penggunaan kecerdasan buatan mendorong kebutuhan baru dalam pemrosesan data pusat komputasi. Ketika menjalankan training AI, sistem harus memproses dataset berukuran besar secara berkelanjutan. Di sisi lain, aplikasi AI sering membutuhkan akses cepat terhadap parameter model, cache, dan informasi pendukung. Kondisi tersebut menghadirkan tekanan besar terhadap SSD, terutama ketika banyak permintaan muncul secara bersamaan. Dengan menggunakan H-TPU, SK hynix menargetkan kontroler yang dirancang untuk memproses lebih banyak transaksi secara efisien. Sasaran pengembangan tersebut bukan untuk memproses langsung model AI seperti GPU, melainkan mengoptimalkan jalur pengelolaan data yang mendukung pekerjaan AI.

Pada infrastruktur inferensi, pola akses penyimpanan memiliki karakteristik berbeda dibandingkan beban kerja komputer biasa. Pada jenis pekerjaan AI tertentu, data ditulis relatif jarang tetapi diakses berulang kali. Pola tersebut sering disebut write once, read many atau WORM. Berdasarkan paparan yang diberitakan, perbandingan operasi baca terhadap tulis pada skenario tertentu bahkan dilaporkan sekitar 300.000 banding satu. Perbandingan ini menggambarkan contoh pola khusus, bukan seluruh aplikasi AI. Pada kondisi tersebut, kemampuan mengatur buffer dan permintaan baca secara efisien merupakan faktor penting. Meskipun demikian, manfaat H-TPU terhadap kinerja inferensi secara keseluruhan masih harus dinilai berdasarkan implementasi nyata dan pengukuran sistem.

Strategi SK hynix Mengembangkan Penyimpanan untuk Infrastruktur AI

Di samping penerapan SSD enterprise, arsitektur H-TPU juga dipersiapkan untuk mendukung konsep High Bandwidth Flash atau HBF. Pendekatan penyimpanan ini dirancang 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. Konsep memori berbasis flash ini diharapkan menjadi bagian dari lapisan memori di antara kategori tersebut. Pada konsep teknisnya, kontroler dapat memanfaatkan informasi mengenai kebutuhan data berikutnya untuk melakukan prefetch dan pengelolaan buffer. Sasaran pengembangan tersebut adalah mengurangi waktu tunggu ketika komponen komputasi memerlukan informasi dari penyimpanan.

Arsitektur kontroler baru ini juga mendukung arah strategi produk AI-NAND atau AIN Family dari SK hynix. Pada keluarga produk tersebut, perusahaan mengembangkan beberapa kategori solusi berdasarkan kebutuhan performa, bandwidth, dan kapasitas. AIN P dikembangkan guna kebutuhan pemrosesan data yang membutuhkan performa besar pada pekerjaan AI. Sementara itu, AIN B mengutamakan bandwidth, sedangkan AIN D memprioritaskan 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 memerlukan konfirmasi melalui pengumuman dan pengujian lanjutan. Oleh sebab itu, rancangan ini perlu dinilai sebagai arah pengembangan teknologi yang belum sepenuhnya terbukti pada seluruh lini produk.

Masa Depan SSD Hemat Daya untuk Infrastruktur Kecerdasan Buatan

Pengenalan H-TPU oleh SK hynix menjadi langkah menjanjikan dalam perkembangan TEKNOLOGI penyimpanan data untuk kebutuhan kecerdasan buatan. Berkat penerapan unit pemrosesan khusus, perusahaan berupaya pengelolaan transaksi SSD yang lebih efisien dibandingkan pendekatan yang terlalu bergantung pada CPU umum. Data teknis yang dipaparkan mengenai area chip dan konsumsi daya menggambarkan potensi penggunaan banyak unit ringan dalam satu arsitektur kontroler. Tidak hanya itu, rencana pemanfaatannya pada SSD enterprise dan HBF menunjukkan pentingnya pengembangan sistem penyimpanan untuk mendukung infrastruktur AI. Meskipun demikian, peningkatan performa dan efisiensi keseluruhan perangkat tetap membutuhkan validasi melalui implementasi serta pengujian pada produk nyata. Dalam perkembangan selanjutnya, inovasi seperti H-TPU berpotensi membantu pusat data mengelola pertumbuhan lalu lintas informasi dengan energi yang lebih terkendali. Bagaimana menurut Anda, apakah penggunaan prosesor khusus dalam kontroler SSD akan menjadi solusi penting bagi penyimpanan era AI? Sampaikan pandangan Anda mengenai efisiensi penyimpanan data.