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.

Mengenal Teknologi H-TPU dalam Pengembangan SSD Generasi Baru

Perkembangan TEKNOLOGI kecerdasan buatan mendorong kebutuhan terhadap perangkat penyimpanan dengan kemampuan pemrosesan besar. Pada infrastruktur komputasi modern, SSD memegang peranan penting dalam menyediakan informasi yang digunakan oleh CPU dan GPU. Namun demikian, peningkatan kecepatan antarmuka dan kapasitas penyimpanan menimbulkan tekanan terhadap kemampuan kontroler SSD. Menanggapi tantangan tersebut, SK hynix mengembangkan Hynix Transaction Processing Unit atau H-TPU. Prosesor khusus ini dirancang untuk menangani pekerjaan kontrol penyimpanan yang memiliki pola operasi rutin. Berkat pengembangan tersebut, beban pemrosesan dapat didistribusikan dari CPU utama menuju sejumlah unit khusus yang dirancang untuk tugas tertentu.

Perancangan 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 memproses banyak pekerjaan internal SSD. Saat kebutuhan transfer data bertambah, CPU pengendali harus menangani semakin banyak permintaan dalam waktu singkat. Meningkatkan jumlah inti CPU biasa memang dapat membantu kemampuan pemrosesan, tetapi juga menimbulkan konsekuensi berupa penggunaan daya dan luas chip yang lebih besar. Karena itu, SK hynix memilih pendekatan pemrosesan terdistribusi untuk mengoptimalkan efisiensi kontroler generasi mendatang.

Peran Prosesor Khusus dalam Mempercepat Operasi Penyimpanan

Dalam perangkat penyimpanan masa kini, kontroler berfungsi mengatur komunikasi antara sistem komputer dan chip memori NAND. Berbagai pekerjaan melibatkan penanganan perintah baca dan tulis, pengelolaan alamat data, serta pengaturan buffer. Di samping itu, kontroler juga harus menangani pemulihan kesalahan dan kebijakan penyimpanan. Jika menggunakan desain lama, sebagian besar pekerjaan tersebut diproses menggunakan inti CPU serbaguna. Dalam rancangan yang dikembangkan SK hynix, sejumlah operasi rutin diserahkan kepada H-TPU yang dirancang secara khusus. Strategi pemisahan tugas ini dimaksudkan untuk mengurangi beban CPU utama sekaligus memungkinkan pemrosesan banyak transaksi secara paralel.

Di antara ciri penting H-TPU adalah penggunaan arsitektur pemrosesan yang lebih sederhana. Berdasarkan paparan teknis, unit tersebut menerapkan pipeline empat tahap dengan pola eksekusi berurutan. Rancangan ini tidak mengandalkan mekanisme kompleks seperti superscalar dan out-of-order execution yang umum ditemukan pada CPU berperforma tinggi. Sebagai gantinya, H-TPU mengutamakan sumber daya pada tugas transaksi penyimpanan yang dapat dipisahkan secara spesifik. Dengan demikian, CPU utama tidak perlu memproses seluruh pekerjaan tingkat tinggi, termasuk kebijakan penyimpanan dan penanganan pengecualian. Walaupun demikian, kemampuan arsitektur baru tetap membutuhkan pengujian menyeluruh sebelum manfaatnya dinyatakan konsisten dalam produk komersial.

H-TPU Diklaim Menggunakan Daya dan Area Chip Lebih Kecil

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 memerlukan area sekitar 4 persen dari luas inti CPU umum yang dijadikan pembanding. Di sisi lain, kebutuhan dayanya diklaim sekitar 2,5 persen dari daya inti CPU pembanding. Klaim efisiensi tersebut menggambarkan potensi penghematan sumber daya pada tingkat unit pemrosesan. Meskipun demikian, persentase tersebut tidak dapat langsung diartikan sebagai seluruh SSD akan menggunakan daya 97,5 persen lebih rendah. Efisiensi pada tingkat produk tetap bergantung pada jumlah unit yang digunakan, memori NAND, antarmuka, dan komponen lainnya. Oleh sebab itu, hasil tersebut sebaiknya ditafsirkan sebagai karakteristik desain inti H-TPU.

Strategi penggunaan unit ringan termasuk 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 direncanakan berada ke kondisi hemat daya. Dengan mekanisme tersebut, sistem dirancang untuk mengurangi penggunaan energi pada komponen yang tidak sedang menjalankan pekerjaan. Kemampuan tersebut relevan bagi pusat data yang menjalankan banyak SSD secara bersamaan. Walaupun begitu, efisiensi aktual pada lingkungan server harus dievaluasi melalui benchmark yang mengukur kinerja, daya, dan karakteristik beban kerja.

Peran H-TPU dalam Mendukung SSD Enterprise Berperforma Tinggi

Peningkatan penggunaan kecerdasan buatan menciptakan kebutuhan baru dalam pengelolaan data pusat komputasi. Pada pengembangan model kecerdasan buatan, sistem harus memproses dataset berukuran besar secara berkelanjutan. Pada tahap inferensi, aplikasi AI sering mengandalkan akses cepat terhadap parameter model, cache, dan informasi pendukung. Pola penggunaan ini memberikan tekanan besar terhadap SSD, terutama ketika banyak permintaan datang secara bersamaan. Dengan menggunakan H-TPU, SK hynix mencoba kontroler yang dirancang untuk memproses lebih banyak transaksi secara efisien. Sasaran pengembangan tersebut bukan untuk menghitung model AI seperti GPU, melainkan memperbaiki jalur pengelolaan data yang digunakan dalam pekerjaan AI.

Dalam penggunaan AI, pola akses penyimpanan dapat berbeda dibandingkan beban kerja komputer biasa. Pada jenis pekerjaan AI tertentu, data lebih sedikit mengalami penulisan tetapi digunakan untuk banyak permintaan. 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 disebut dapat menyentuh 300.000 banding satu. Perbandingan ini menggambarkan contoh pola khusus, bukan seluruh aplikasi AI. Pada kondisi tersebut, kemampuan menjadwalkan buffer dan permintaan baca secara efisien menjadi faktor penting. Namun 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

Tidak hanya untuk kebutuhan SSD enterprise, arsitektur H-TPU juga dikembangkan untuk mendukung konsep High Bandwidth Flash atau HBF. Konsep memori tersebut diarahkan untuk menggabungkan karakteristik kapasitas besar NAND dengan kebutuhan bandwidth tinggi dalam sistem AI. Dalam pusat data kecerdasan buatan, 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. Dalam rancangan yang dibahas, kontroler dapat memanfaatkan informasi mengenai kebutuhan data berikutnya untuk mengatur prefetch dan pengelolaan buffer. Tujuan pendekatan ini adalah menekan waktu tunggu ketika komponen komputasi membutuhkan informasi dari penyimpanan.

Pengembangan H-TPU juga sejalan 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. Solusi AIN Performance dikembangkan guna kebutuhan pemrosesan data yang tinggi pada pekerjaan AI. Sementara itu, AIN B mengutamakan bandwidth, sedangkan AIN D mengutamakan kapasitas penyimpanan. Dengan pendekatan tersebut, SK hynix mencoba menghadirkan solusi yang dapat disesuaikan dengan karakteristik penggunaan. Meskipun demikian, penerapan H-TPU pada produk tertentu, jadwal distribusi, serta peningkatan kinerja komersial memerlukan konfirmasi melalui pengumuman dan pengujian lanjutan. Dengan pertimbangan tersebut, rancangan ini perlu dinilai sebagai arah pengembangan teknologi yang belum sepenuhnya terbukti pada seluruh lini produk.

Inovasi SK hynix Membuka Peluang Penyimpanan AI Lebih Efisien

Perancangan H-TPU oleh SK hynix menghadirkan langkah menarik 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. Hasil perbandingan desain 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 memperlihatkan pentingnya pengembangan sistem penyimpanan untuk memfasilitasi infrastruktur AI. Namun 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 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? Bagikan pandangan Anda mengenai masa depan infrastruktur AI.