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
Kemajuan TEKNOLOGI kecerdasan buatan memperbesar kebutuhan terhadap sistem penyimpanan berkecepatan tinggi. Pada infrastruktur komputasi modern, SSD memainkan peranan penting dalam menyediakan informasi yang dibutuhkan oleh CPU dan GPU. Walaupun begitu, peningkatan kecepatan antarmuka dan kapasitas penyimpanan menciptakan tekanan terhadap kemampuan kontroler SSD. Menanggapi tantangan tersebut, SK hynix merancang Hynix Transaction Processing Unit atau H-TPU. Prosesor khusus ini bertujuan untuk mengelola pekerjaan kontrol penyimpanan yang memiliki pola operasi rutin. Dengan rancangan tersebut, beban pemrosesan dapat didistribusikan dari CPU utama menuju sejumlah unit khusus yang lebih sederhana.
Pengembangan 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. Melalui presentasi tersebut, perusahaan menyoroti keterbatasan pendekatan tradisional yang mengandalkan CPU serbaguna untuk menjalankan banyak pekerjaan internal SSD. Seiring pertumbuhan beban penyimpanan, CPU pengendali harus menangani semakin banyak permintaan dalam waktu singkat. Menambahkan inti CPU biasa memang berpotensi meningkatkan 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 mengoptimalkan efisiensi kontroler generasi mendatang.
Cara Kerja H-TPU dalam Mengelola Transaksi SSD
Ketika sebuah SSD bekerja, kontroler berfungsi mengatur komunikasi antara sistem komputer dan chip memori NAND. Banyak operasi penyimpanan melibatkan penanganan perintah baca dan tulis, pengelolaan alamat data, serta pengaturan buffer. Selain itu, kontroler juga harus menangani pemulihan kesalahan dan kebijakan penyimpanan. Jika menggunakan desain lama, sebagian besar pekerjaan tersebut bergantung pada inti CPU serbaguna. Sebaliknya, sejumlah operasi rutin dialihkan kepada H-TPU yang menggunakan struktur pemrosesan sederhana. Pendekatan tersebut dimaksudkan untuk menekan beban CPU utama sekaligus memungkinkan pemrosesan banyak transaksi secara paralel.
Salah satu karakteristik utama H-TPU adalah penggunaan arsitektur pemrosesan yang lebih sederhana. Berdasarkan paparan teknis, unit tersebut menggunakan pipeline empat tahap dengan pola eksekusi berurutan. Pendekatan arsitektur itu mengurangi kebutuhan terhadap mekanisme kompleks seperti superscalar dan out-of-order execution yang umum ditemukan pada CPU berperforma tinggi. Untuk menggantikan kompleksitas tersebut, H-TPU memusatkan sumber daya pada tugas transaksi penyimpanan yang dapat dipisahkan secara spesifik. Berkat strategi ini, CPU utama memiliki ruang lebih besar untuk menangani pekerjaan tingkat tinggi, termasuk kebijakan penyimpanan dan penanganan pengecualian. Meskipun begitu, kemampuan arsitektur baru tetap memerlukan 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 mengutamakan efisiensi area chip dan konsumsi daya dalam pengembangan H-TPU. Berdasarkan informasi yang dilaporkan, 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 mengindikasikan potensi penghematan sumber daya pada tingkat unit pemrosesan. Walaupun begitu, persentase tersebut tidak berarti seluruh SSD akan menggunakan daya 97,5 persen lebih rendah. Performa total perangkat tetap dipengaruhi oleh jumlah unit yang digunakan, memori NAND, antarmuka, dan komponen lainnya. Dengan pertimbangan tersebut, hasil tersebut sebaiknya ditafsirkan sebagai karakteristik desain inti H-TPU.
Strategi penggunaan unit ringan menjadi penting ketika kontroler mengintegrasikan 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 dapat ditempatkan ke kondisi hemat daya. Dengan mekanisme tersebut, sistem berupaya menghindari penggunaan energi pada komponen yang tidak sedang menjalankan pekerjaan. Hal ini penting bagi pusat data yang mengoperasikan banyak SSD secara bersamaan. Meskipun demikian, efisiensi aktual pada lingkungan server masih perlu dibandingkan melalui benchmark yang mengukur kinerja, daya, dan karakteristik beban kerja.
Peran H-TPU dalam Mendukung SSD Enterprise Berperforma Tinggi
Pertumbuhan penggunaan kecerdasan buatan mendorong kebutuhan baru dalam penyimpanan 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. Pola penggunaan ini menciptakan tekanan besar terhadap SSD, terutama ketika banyak permintaan datang secara bersamaan. Berkat pengembangan H-TPU, SK hynix mencoba kontroler yang dapat menangani lebih banyak transaksi secara efisien. Fokus utamanya bukan untuk menjalankan model AI seperti GPU, melainkan meningkatkan jalur pengelolaan data yang digunakan dalam 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. Pola tersebut dapat dikategorikan sebagai 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. Rasio tersebut mewakili contoh pola khusus, bukan seluruh aplikasi AI. Pada kondisi tersebut, kemampuan menjadwalkan buffer dan permintaan baca secara efisien menjadi faktor penting. Meskipun demikian, manfaat H-TPU terhadap kinerja inferensi secara keseluruhan masih memerlukan pembuktian melalui implementasi nyata dan pengukuran sistem.
SK hynix Menyiapkan Integrasi H-TPU dengan HBF dan AI-NAND
Tidak hanya untuk kebutuhan SSD enterprise, arsitektur H-TPU juga dipertimbangkan untuk mendukung konsep High Bandwidth Flash atau HBF. Teknologi tersebut diarahkan 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. High Bandwidth Flash diharapkan membantu mengisi lapisan memori di antara kategori tersebut. Dalam rancangan yang dibahas, kontroler dapat memanfaatkan informasi mengenai kebutuhan data berikutnya untuk melakukan prefetch dan pengelolaan buffer. Manfaat yang ditargetkan adalah menekan waktu tunggu ketika komponen komputasi mengakses informasi dari penyimpanan.
Rancangan unit pemrosesan khusus tersebut juga sejalan dengan strategi produk AI-NAND atau AIN Family dari SK hynix. Melalui strategi penyimpanan ini, perusahaan merancang beberapa kategori solusi berdasarkan kebutuhan performa, bandwidth, dan kapasitas. AIN P ditujukan untuk kebutuhan pemrosesan data yang tinggi pada pekerjaan AI. Adapun, AIN B mengutamakan bandwidth, sedangkan AIN D mengutamakan kapasitas penyimpanan. Dengan pendekatan tersebut, SK hynix mencoba menghadirkan solusi yang lebih sesuai dengan karakteristik penggunaan. Walaupun begitu, penerapan H-TPU pada produk tertentu, jadwal distribusi, serta peningkatan kinerja komersial bergantung pada pengumuman dan pengujian lanjutan. Dengan pertimbangan tersebut, rancangan ini lebih tepat dilihat 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 penting dalam perkembangan TEKNOLOGI penyimpanan data untuk kebutuhan kecerdasan buatan. Dengan memanfaatkan unit pemrosesan khusus, perusahaan menargetkan pengelolaan transaksi SSD yang lebih hemat sumber daya dibandingkan pendekatan yang terlalu bergantung pada CPU umum. Data teknis yang dipaparkan mengenai area chip dan konsumsi daya menunjukkan potensi penggunaan banyak unit ringan dalam satu arsitektur kontroler. Selain itu, rencana pemanfaatannya pada SSD enterprise dan HBF memperlihatkan pentingnya pengembangan sistem penyimpanan untuk mendukung infrastruktur AI. Walaupun begitu, peningkatan performa dan efisiensi keseluruhan perangkat tetap membutuhkan validasi melalui implementasi serta pengujian pada produk nyata. Dalam perkembangan selanjutnya, inovasi seperti H-TPU dapat 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.
