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 meningkatkan kebutuhan terhadap sistem penyimpanan berkecepatan tinggi. Pada infrastruktur komputasi modern, SSD memegang peranan penting dalam mengelola informasi yang dibutuhkan 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 bertujuan untuk memproses pekerjaan kontrol penyimpanan yang memiliki pola operasi rutin. Melalui pendekatan ini, beban pemrosesan dapat didistribusikan dari CPU utama menuju sejumlah unit khusus yang lebih ringkas.
Pengembangan 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. Melalui presentasi tersebut, perusahaan menjelaskan keterbatasan pendekatan tradisional yang menggunakan CPU serbaguna untuk mengatur banyak pekerjaan internal SSD. Saat kebutuhan transfer data bertambah, CPU pengendali dituntut memproses semakin banyak permintaan dalam waktu singkat. Menambahkan inti CPU biasa memang berpotensi meningkatkan kemampuan pemrosesan, tetapi juga membawa 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
Dalam perangkat penyimpanan masa kini, kontroler bertugas mengelola 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 bertanggung jawab terhadap pemulihan kesalahan dan kebijakan penyimpanan. Dalam pendekatan kontroler tradisional, sebagian besar pekerjaan tersebut bergantung pada inti CPU serbaguna. Dalam rancangan yang dikembangkan SK hynix, sejumlah operasi rutin diserahkan kepada H-TPU yang dioptimalkan untuk fungsi tertentu. Rancangan baru tersebut dikembangkan untuk membatasi beban CPU utama sekaligus membantu pemrosesan banyak transaksi secara paralel.
Bagian dari ciri penting H-TPU adalah penggunaan arsitektur pemrosesan yang lebih sederhana. Menurut informasi pengembangan, unit tersebut menerapkan 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. Untuk menggantikan kompleksitas tersebut, H-TPU mengutamakan sumber daya pada tugas transaksi penyimpanan yang memiliki fungsi jelas. 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.
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. Menurut penjelasan perusahaan, satu inti H-TPU memerlukan area sekitar 4 persen dari luas inti CPU umum yang dijadikan pembanding. Di sisi lain, kebutuhan dayanya disebut mencapai kurang lebih 2,5 persen dari daya inti CPU pembanding. Perbandingan ini 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. 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. 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. Tidak kalah penting, 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. Rancangan tersebut bermanfaat bagi pusat data yang mengoperasikan banyak SSD secara bersamaan. Meskipun demikian, efisiensi aktual pada lingkungan server masih perlu dibandingkan melalui benchmark yang mempertimbangkan kinerja, daya, dan karakteristik beban kerja.
Kontroler Baru SK hynix Ditujukan untuk Beban Kerja AI
Perkembangan penggunaan kecerdasan buatan menyebabkan kebutuhan baru dalam pemrosesan data pusat komputasi. Ketika menjalankan training AI, sistem membutuhkan akses terhadap dataset berukuran besar secara berulang. Pada tahap inferensi, aplikasi AI sering membutuhkan 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 berupaya kontroler yang dirancang untuk memproses lebih banyak transaksi secara efisien. Tujuannya bukan untuk menjalankan model AI seperti GPU, melainkan memperbaiki jalur pengelolaan data yang dibutuhkan oleh pekerjaan AI.
Ketika sistem menjalankan aplikasi kecerdasan buatan, pola akses penyimpanan memiliki karakteristik berbeda dibandingkan beban kerja komputer biasa. Sebagian aplikasi inferensi, data ditulis relatif jarang tetapi dibaca sangat sering. Pendekatan penyimpanan demikian dapat dikategorikan sebagai 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 merupakan contoh pola khusus, bukan seluruh aplikasi AI. Dalam skenario tersebut, kemampuan menjadwalkan buffer dan permintaan baca secara efisien termasuk faktor penting. Walaupun begitu, manfaat H-TPU terhadap kinerja inferensi secara keseluruhan masih bergantung pada 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. Teknologi tersebut diarahkan untuk memadukan karakteristik kapasitas besar NAND dengan kebutuhan bandwidth tinggi dalam sistem AI. Pada arsitektur komputasi modern, terdapat kesenjangan antara memori berkecepatan tinggi yang mahal dan penyimpanan berkapasitas besar yang memiliki latensi lebih tinggi. Konsep memori berbasis flash ini ditargetkan menempati lapisan memori di antara kategori tersebut. Pada konsep teknisnya, kontroler dapat menggunakan informasi mengenai kebutuhan data berikutnya untuk melakukan prefetch dan pengelolaan buffer. Sasaran pengembangan tersebut adalah membatasi waktu tunggu ketika komponen komputasi membutuhkan 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. Solusi AIN Performance difokuskan pada kebutuhan pemrosesan data yang membutuhkan performa besar pada pekerjaan AI. Di sisi lain, AIN B dikembangkan untuk bandwidth, sedangkan AIN D ditujukan bagi 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 memerlukan konfirmasi melalui pengumuman dan pengujian lanjutan. Oleh sebab itu, rancangan ini sebaiknya dipahami sebagai arah pengembangan teknologi yang belum sepenuhnya terbukti pada seluruh lini produk.
Kesimpulan tentang Teknologi Kontroler SSD H-TPU dari SK hynix
Pengenalan H-TPU oleh SK hynix menghadirkan langkah penting 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 mengindikasikan potensi penggunaan banyak unit ringan dalam satu arsitektur kontroler. Di samping itu, rencana pemanfaatannya pada SSD enterprise dan HBF memperlihatkan 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. Ke depannya, inovasi seperti H-TPU berpotensi mendorong pusat data mengelola pertumbuhan lalu lintas informasi dengan energi yang lebih terkendali. Menurut pandangan Anda, apakah penggunaan prosesor khusus dalam kontroler SSD akan menjadi solusi penting bagi penyimpanan era AI? Bagikan pandangan Anda mengenai inovasi SSD SK hynix.
