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

Pertumbuhan TEKNOLOGI kecerdasan buatan meningkatkan kebutuhan terhadap infrastruktur pengelolaan data yang efisien. Pada infrastruktur komputasi modern, SSD memiliki peranan penting dalam mengelola informasi yang digunakan oleh CPU dan GPU. Meskipun demikian, peningkatan kecepatan antarmuka dan kapasitas penyimpanan menimbulkan tekanan terhadap kemampuan kontroler SSD. Sejalan dengan perkembangan industri, SK hynix memperkenalkan Hynix Transaction Processing Unit atau H-TPU. Komponen tersebut dirancang untuk menangani pekerjaan kontrol penyimpanan yang sering dijalankan. Dengan rancangan tersebut, beban pemrosesan dapat dibagi dari CPU utama menuju sejumlah unit khusus yang lebih sederhana.

Pengembangan H-TPU dijelaskan oleh Koo In-jae, pejabat yang bertanggung jawab atas 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 menggambarkan keterbatasan pendekatan tradisional yang mengandalkan CPU serbaguna untuk menjalankan banyak pekerjaan internal SSD. Saat kebutuhan transfer data bertambah, CPU pengendali dituntut memproses semakin banyak permintaan dalam waktu singkat. Memperbanyak inti CPU biasa memang dapat membantu kemampuan pemrosesan, tetapi juga menghadirkan konsekuensi berupa penggunaan daya dan luas chip yang lebih besar. Oleh sebab itu, SK hynix mengembangkan pendekatan pemrosesan terdistribusi untuk mengoptimalkan efisiensi kontroler generasi mendatang.

Arsitektur Pemrosesan Paralel pada Kontroler SSD SK hynix

Dalam perangkat penyimpanan masa kini, kontroler berperan mengelola komunikasi antara sistem komputer dan chip memori NAND. Sejumlah proses internal memerlukan penanganan perintah baca dan tulis, pengelolaan alamat data, serta pengaturan buffer. Di samping itu, kontroler juga bertanggung jawab terhadap pemulihan kesalahan dan kebijakan penyimpanan. Jika menggunakan desain lama, sebagian besar pekerjaan tersebut ditangani oleh inti CPU serbaguna. Sementara itu, sejumlah operasi rutin dialihkan kepada H-TPU yang menggunakan struktur pemrosesan sederhana. Pendekatan tersebut bertujuan untuk menekan 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 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 dapat dipisahkan secara spesifik. Berkat strategi ini, CPU utama dapat lebih berfokus pada pekerjaan tingkat tinggi, termasuk kebijakan penyimpanan dan penanganan pengecualian. Meskipun begitu, kemampuan arsitektur baru tetap harus melalui pengujian menyeluruh sebelum manfaatnya dapat dipastikan dalam produk komersial.

Efisiensi Prosesor H-TPU Dibandingkan Inti CPU Konvensional

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 menempati 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. Angka tersebut menunjukkan potensi penghematan sumber daya pada tingkat unit pemrosesan. Meskipun demikian, persentase tersebut bukan bukti bahwa seluruh SSD akan menggunakan daya 97,5 persen lebih rendah. Efisiensi pada tingkat produk tetap ditentukan oleh jumlah unit yang digunakan, memori NAND, antarmuka, dan komponen lainnya. Dengan pertimbangan tersebut, hasil tersebut perlu dilihat sebagai karakteristik desain inti H-TPU.

Pendekatan hemat daya merupakan penting ketika kontroler menggunakan banyak prosesor khusus sekaligus. Menurut rancangan yang dipaparkan, SK hynix membagi 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. Melalui pengaturan aktivitas ini, sistem berupaya menghindari penggunaan energi pada komponen yang tidak sedang menjalankan pekerjaan. Hal ini bermanfaat bagi pusat data yang menggunakan banyak SSD secara bersamaan. Namun demikian, 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

Perkembangan penggunaan kecerdasan buatan menyebabkan kebutuhan baru dalam pemrosesan data pusat komputasi. Ketika menjalankan training AI, sistem harus memproses dataset berukuran besar secara berkelanjutan. Sementara itu, aplikasi AI sering memerlukan akses cepat terhadap parameter model, cache, dan informasi pendukung. Kondisi tersebut memberikan tekanan besar terhadap SSD, terutama ketika banyak permintaan muncul secara bersamaan. Dengan menggunakan H-TPU, SK hynix berupaya kontroler yang mampu mengelola lebih banyak transaksi secara efisien. Sasaran pengembangan tersebut bukan untuk menjalankan model AI seperti GPU, melainkan memperbaiki jalur pengelolaan data yang mendukung pekerjaan AI.

Dalam penggunaan AI, pola akses penyimpanan sering tidak sama dibandingkan beban kerja komputer biasa. Pada jenis pekerjaan AI tertentu, data lebih sedikit mengalami penulisan tetapi dibaca sangat sering. Pendekatan penyimpanan demikian sering disebut write once, read many atau WORM. Dalam contoh karakteristik beban yang dilaporkan, perbandingan operasi baca terhadap tulis pada skenario tertentu bahkan dapat mencapai 300.000 banding satu. Angka tersebut merupakan contoh pola khusus, bukan seluruh aplikasi AI. Untuk kebutuhan demikian, kemampuan mengelola buffer dan permintaan baca secara efisien termasuk faktor penting. Walaupun begitu, manfaat H-TPU terhadap kinerja inferensi secara keseluruhan masih memerlukan pembuktian melalui implementasi nyata dan pengukuran sistem.

Hubungan Kontroler SSD Generasi Baru dengan High Bandwidth Flash

Tidak hanya untuk kebutuhan SSD enterprise, arsitektur H-TPU juga dikembangkan untuk mendukung konsep High Bandwidth Flash atau HBF. Pendekatan penyimpanan ini 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. Konsep memori berbasis flash ini dikembangkan agar dapat menempati lapisan memori di antara kategori tersebut. Dalam rancangan yang dibahas, kontroler dapat menggunakan informasi mengenai kebutuhan data berikutnya untuk menyiapkan prefetch dan pengelolaan buffer. Tujuan pendekatan ini adalah menekan waktu tunggu ketika komponen komputasi mengakses informasi dari penyimpanan.

Arsitektur kontroler baru ini juga mendukung arah strategi produk AI-NAND atau AIN Family dari SK hynix. Dalam portofolio tersebut, perusahaan mengembangkan beberapa kategori solusi berdasarkan kebutuhan performa, bandwidth, dan kapasitas. AIN P ditujukan untuk kebutuhan pemrosesan data yang intensif pada pekerjaan AI. Di sisi lain, AIN B berfokus pada bandwidth, sedangkan AIN D ditujukan bagi kapasitas penyimpanan. Berkat strategi 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 bergantung pada 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

Perancangan H-TPU oleh SK hynix merupakan 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. Selain itu, rencana pemanfaatannya pada SSD enterprise dan HBF menunjukkan pentingnya pengembangan sistem penyimpanan untuk memfasilitasi 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 membantu pusat data mengelola pertumbuhan lalu lintas informasi dengan energi yang lebih terkendali. Bagaimana menurut Anda, apakah penggunaan prosesor khusus dalam kontroler SSD berpotensi berkembang sebagai solusi penting bagi penyimpanan era AI? Bagikan pandangan Anda mengenai inovasi SSD SK hynix.