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
Pertumbuhan TEKNOLOGI kecerdasan buatan mendorong kebutuhan terhadap infrastruktur pengelolaan data yang efisien. Pada infrastruktur komputasi modern, SSD memegang peranan penting dalam mengelola informasi yang digunakan oleh CPU dan GPU. Walaupun begitu, peningkatan kecepatan antarmuka dan kapasitas penyimpanan menimbulkan tekanan terhadap kemampuan kontroler SSD. Sejalan dengan perkembangan industri, SK hynix merancang Hynix Transaction Processing Unit atau H-TPU. Komponen tersebut dirancang untuk menangani pekerjaan kontrol penyimpanan yang sering dijalankan. Melalui pendekatan ini, beban pemrosesan dapat dibagi dari CPU utama menuju sejumlah unit khusus yang lebih ringkas.
Pengenalan 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. Berdasarkan penjelasan teknis yang dilaporkan, perusahaan menyoroti keterbatasan pendekatan tradisional yang mengandalkan CPU serbaguna untuk mengatur banyak pekerjaan internal SSD. Ketika kapasitas meningkat, CPU pengendali dituntut memproses semakin banyak permintaan dalam waktu singkat. Menambahkan inti CPU biasa memang mungkin memperbesar kemampuan pemrosesan, tetapi juga menghadirkan konsekuensi berupa penggunaan daya dan luas chip yang lebih besar. Oleh sebab itu, SK hynix menyiapkan pendekatan pemrosesan terdistribusi untuk meningkatkan efisiensi kontroler generasi mendatang.
Arsitektur Pemrosesan Paralel pada Kontroler SSD SK hynix
Dalam perangkat penyimpanan masa kini, kontroler berfungsi mengelola komunikasi antara sistem komputer dan chip memori NAND. Berbagai pekerjaan melibatkan 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 bergantung pada inti CPU serbaguna. Sementara itu, sejumlah operasi rutin didistribusikan kepada H-TPU yang dirancang secara khusus. Strategi pemisahan tugas ini dimaksudkan untuk menekan beban CPU utama sekaligus mendukung pemrosesan banyak transaksi secara paralel.
Salah satu keunggulan desain H-TPU adalah penggunaan arsitektur pemrosesan yang lebih sederhana. Dalam rincian rancangan yang dilaporkan, unit tersebut menggunakan pipeline empat tahap dengan pola eksekusi berurutan. Struktur pemrosesan tersebut menghindari mekanisme kompleks seperti superscalar dan out-of-order execution yang umum ditemukan pada CPU berperforma tinggi. Sebagai gantinya, H-TPU memfokuskan sumber daya pada tugas transaksi penyimpanan yang memiliki fungsi jelas. Melalui pembagian kerja tersebut, CPU utama dapat lebih berfokus pada pekerjaan tingkat tinggi, termasuk kebijakan penyimpanan dan penanganan pengecualian. Walaupun demikian, kemampuan arsitektur baru tetap memerlukan pengujian menyeluruh sebelum manfaatnya terbukti pada berbagai kondisi dalam produk komersial.
Efisiensi Prosesor H-TPU Dibandingkan Inti CPU Konvensional
Selain memisahkan tugas pemrosesan, SK hynix juga menekankan efisiensi area chip dan konsumsi daya dalam pengembangan H-TPU. Berdasarkan informasi yang dilaporkan, satu inti H-TPU menggunakan area sekitar 4 persen dari luas inti CPU umum yang dijadikan pembanding. Pada aspek energi, kebutuhan dayanya diklaim sekitar 2,5 persen dari daya inti CPU pembanding. Perbandingan ini menggambarkan potensi penghematan sumber daya pada tingkat unit pemrosesan. Namun demikian, persentase tersebut tidak berarti seluruh SSD akan menggunakan daya 97,5 persen lebih rendah. Performa total perangkat tetap bergantung pada jumlah unit yang digunakan, memori NAND, antarmuka, dan komponen lainnya. Dengan pertimbangan tersebut, hasil tersebut lebih tepat dipahami sebagai karakteristik desain inti H-TPU.
Pendekatan hemat daya merupakan penting ketika kontroler menggunakan banyak prosesor khusus sekaligus. Pada konsep arsitektur tersebut, SK hynix mendistribusikan 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 berupaya menghindari penggunaan energi pada komponen yang tidak sedang menjalankan pekerjaan. Rancangan tersebut penting bagi pusat data yang menggunakan banyak SSD secara bersamaan. Meskipun demikian, efisiensi aktual pada lingkungan server masih perlu dibandingkan melalui benchmark yang mempertimbangkan kinerja, daya, dan karakteristik beban kerja.
Penyimpanan Berbasis AI Membutuhkan Pengolahan Data yang Lebih Efisien
Pertumbuhan penggunaan kecerdasan buatan mendorong kebutuhan baru dalam pemrosesan data pusat komputasi. Ketika menjalankan training AI, sistem harus memproses dataset berukuran besar secara berulang. Di sisi lain, aplikasi AI sering membutuhkan akses cepat terhadap parameter model, cache, dan informasi pendukung. Karakteristik beban kerja tersebut menciptakan tekanan besar terhadap SSD, terutama ketika banyak permintaan muncul secara bersamaan. Berkat pengembangan H-TPU, SK hynix berupaya kontroler yang dapat menangani lebih banyak transaksi secara efisien. Sasaran pengembangan tersebut bukan untuk menghitung 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. Dalam skenario pembacaan model, data tidak terlalu sering diperbarui tetapi diakses berulang kali. Pendekatan penyimpanan demikian sering disebut write once, read many atau WORM. Menurut penjelasan teknis pengembangan, perbandingan operasi baca terhadap tulis pada skenario tertentu bahkan disebut dapat menyentuh 300.000 banding satu. Rasio tersebut menggambarkan contoh pola khusus, bukan seluruh aplikasi AI. Pada kondisi tersebut, kemampuan menjadwalkan buffer dan permintaan baca secara efisien merupakan faktor penting. Walaupun begitu, manfaat H-TPU terhadap kinerja inferensi secara keseluruhan masih harus dinilai berdasarkan implementasi nyata dan pengukuran sistem.
SK hynix Menyiapkan Integrasi H-TPU dengan HBF dan AI-NAND
Selain penggunaan SSD enterprise, arsitektur H-TPU juga dipertimbangkan untuk mendukung konsep High Bandwidth Flash atau HBF. Pendekatan penyimpanan ini dikembangkan untuk menggabungkan 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 dikembangkan agar dapat membantu mengisi lapisan memori di antara kategori tersebut. Menurut arah pengembangan SK hynix, kontroler dapat memanfaatkan informasi mengenai kebutuhan data berikutnya untuk menyiapkan prefetch dan pengelolaan buffer. Tujuan pendekatan ini adalah menekan waktu tunggu ketika komponen komputasi memerlukan informasi dari penyimpanan.
Arsitektur kontroler baru ini juga berkaitan dengan strategi produk AI-NAND atau AIN Family dari SK hynix. Dalam portofolio tersebut, perusahaan mengembangkan beberapa kategori solusi berdasarkan kebutuhan performa, bandwidth, dan kapasitas. Kategori AIN P difokuskan pada kebutuhan pemrosesan data yang membutuhkan performa besar pada pekerjaan AI. Di sisi lain, AIN B mengutamakan bandwidth, sedangkan AIN D mengutamakan kapasitas penyimpanan. Dengan pendekatan tersebut, SK hynix berupaya menyediakan solusi yang dapat disesuaikan 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 perlu dinilai sebagai arah pengembangan teknologi yang belum sepenuhnya terbukti pada seluruh lini produk.
Kesimpulan tentang Teknologi Kontroler SSD H-TPU dari SK hynix
Perancangan H-TPU oleh SK hynix menghadirkan langkah menarik dalam perkembangan TEKNOLOGI penyimpanan data untuk kebutuhan kecerdasan buatan. Melalui penggunaan unit pemrosesan khusus, perusahaan menargetkan 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 mencerminkan pentingnya pengembangan sistem penyimpanan untuk mendukung infrastruktur AI. Namun demikian, peningkatan performa dan efisiensi keseluruhan perangkat tetap harus dievaluasi melalui implementasi serta pengujian pada produk nyata. Ke depannya, inovasi seperti H-TPU berpotensi mendukung pusat data mengelola pertumbuhan lalu lintas informasi dengan energi yang lebih terkendali. Bagaimana menurut Anda, apakah penggunaan prosesor khusus dalam kontroler SSD dapat menghadirkan solusi penting bagi penyimpanan era AI? Sampaikan pandangan Anda mengenai masa depan infrastruktur AI.
