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 infrastruktur pengelolaan data yang efisien. Dalam lingkungan pusat data, SSD memiliki peranan penting dalam menyalurkan informasi yang diperlukan oleh CPU dan GPU. Namun demikian, peningkatan kecepatan antarmuka dan kapasitas penyimpanan menciptakan tekanan terhadap kemampuan kontroler SSD. Sejalan dengan perkembangan industri, SK hynix mengembangkan Hynix Transaction Processing Unit atau H-TPU. Komponen tersebut dirancang untuk mengelola pekerjaan kontrol penyimpanan yang sering dijalankan. Berkat pengembangan tersebut, beban pemrosesan dapat dialihkan dari CPU utama menuju sejumlah unit khusus yang dirancang untuk tugas tertentu.
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. Melalui presentasi tersebut, perusahaan menjelaskan keterbatasan pendekatan tradisional yang mengandalkan CPU serbaguna untuk menjalankan banyak pekerjaan internal SSD. Seiring pertumbuhan beban penyimpanan, CPU pengendali dituntut memproses semakin banyak permintaan dalam waktu singkat. Meningkatkan jumlah inti CPU biasa memang mungkin memperbesar kemampuan pemrosesan, tetapi juga menimbulkan konsekuensi berupa penggunaan daya dan luas chip yang lebih besar. Oleh sebab itu, SK hynix memilih pendekatan pemrosesan terdistribusi untuk mengoptimalkan efisiensi kontroler generasi mendatang.
Cara Kerja H-TPU dalam Mengelola Transaksi SSD
Dalam perangkat penyimpanan masa kini, kontroler berperan mengendalikan komunikasi antara sistem komputer dan chip memori NAND. Sejumlah proses internal memerlukan penanganan perintah baca dan tulis, pengelolaan alamat data, serta pengaturan buffer. Selain itu, kontroler juga perlu mengelola pemulihan kesalahan dan kebijakan penyimpanan. Jika menggunakan desain lama, sebagian besar pekerjaan tersebut ditangani oleh inti CPU serbaguna. Sementara itu, sejumlah operasi rutin diserahkan kepada H-TPU yang dioptimalkan untuk fungsi tertentu. Pendekatan tersebut bertujuan untuk membatasi beban CPU utama sekaligus membantu pemrosesan banyak transaksi secara paralel.
Bagian dari keunggulan desain H-TPU adalah penggunaan arsitektur pemrosesan yang lebih ringkas. Dalam rincian rancangan yang dilaporkan, unit tersebut memanfaatkan pipeline empat tahap dengan pola eksekusi berurutan. Pendekatan arsitektur itu tidak mengandalkan mekanisme kompleks seperti superscalar dan out-of-order execution yang umum ditemukan pada CPU berperforma tinggi. Untuk menggantikan kompleksitas tersebut, H-TPU memfokuskan sumber daya pada tugas transaksi penyimpanan yang sudah ditentukan. Melalui pembagian kerja tersebut, CPU utama dapat lebih berfokus pada pekerjaan tingkat tinggi, termasuk kebijakan penyimpanan dan penanganan pengecualian. Namun demikian, kemampuan arsitektur baru tetap harus melalui pengujian menyeluruh sebelum manfaatnya dinyatakan konsisten dalam produk komersial.
H-TPU Diklaim Menggunakan Daya dan Area Chip Lebih Kecil
Tidak hanya membagi tugas pemrosesan, SK hynix juga menyoroti 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. Sementara itu, 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. Namun demikian, persentase tersebut tidak dapat langsung diartikan sebagai seluruh SSD akan menggunakan daya 97,5 persen lebih rendah. Konsumsi energi keseluruhan SSD tetap ditentukan oleh jumlah unit yang digunakan, memori NAND, antarmuka, dan komponen lainnya. Oleh sebab itu, hasil tersebut perlu dilihat sebagai karakteristik desain inti H-TPU.
Strategi penggunaan unit ringan termasuk penting ketika kontroler menggunakan banyak prosesor khusus sekaligus. Dalam pengembangan yang dilaporkan, SK hynix mendistribusikan 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. Melalui pengaturan aktivitas ini, sistem berupaya menghindari penggunaan energi pada komponen yang tidak sedang menjalankan pekerjaan. Rancangan tersebut bermanfaat bagi pusat data yang menjalankan banyak SSD secara bersamaan. Meskipun demikian, efisiensi aktual pada lingkungan server membutuhkan pengujian 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. Dalam proses pelatihan model, sistem harus memproses dataset berukuran besar secara berkelanjutan. Sementara itu, aplikasi AI sering membutuhkan akses cepat terhadap parameter model, cache, dan informasi pendukung. Karakteristik beban kerja tersebut menghadirkan tekanan besar terhadap SSD, terutama ketika banyak permintaan diproses secara bersamaan. Dengan menggunakan H-TPU, SK hynix menargetkan kontroler yang dapat menangani lebih banyak transaksi secara efisien. Fokus utamanya bukan untuk menjalankan model AI seperti GPU, melainkan memperbaiki jalur pengelolaan data yang dibutuhkan oleh pekerjaan AI.
Pada infrastruktur inferensi, pola akses penyimpanan memiliki karakteristik berbeda dibandingkan beban kerja komputer biasa. Sebagian aplikasi inferensi, data tidak terlalu sering diperbarui 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 dilaporkan sekitar 300.000 banding satu. Rasio tersebut mewakili contoh pola khusus, bukan seluruh aplikasi AI. Dalam skenario tersebut, kemampuan mengelola buffer dan permintaan baca secara efisien menjadi faktor penting. Walaupun begitu, manfaat H-TPU terhadap kinerja inferensi secara keseluruhan masih harus dinilai berdasarkan implementasi nyata dan pengukuran sistem.
Strategi SK hynix Mengembangkan Penyimpanan untuk Infrastruktur AI
Selain penggunaan SSD enterprise, arsitektur H-TPU juga dipertimbangkan untuk mendukung konsep High Bandwidth Flash atau HBF. Konsep memori tersebut dirancang untuk menggabungkan 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 diharapkan menempati lapisan memori di antara kategori tersebut. Dalam rancangan yang dibahas, kontroler dapat memanfaatkan informasi mengenai kebutuhan data berikutnya untuk mengatur prefetch dan pengelolaan buffer. Sasaran pengembangan tersebut 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. Melalui strategi penyimpanan ini, perusahaan merancang beberapa kategori solusi berdasarkan kebutuhan performa, bandwidth, dan kapasitas. Solusi AIN Performance difokuskan pada kebutuhan pemrosesan data yang intensif pada pekerjaan AI. Sementara itu, AIN B berfokus pada bandwidth, sedangkan AIN D ditujukan bagi kapasitas penyimpanan. Dengan pendekatan tersebut, SK hynix berupaya menyediakan solusi yang semakin relevan 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 sebaiknya dipahami 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 menjadi langkah penting dalam perkembangan TEKNOLOGI penyimpanan data untuk kebutuhan kecerdasan buatan. Melalui penggunaan unit pemrosesan khusus, perusahaan menargetkan pengelolaan transaksi SSD yang semakin optimal 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. Selain itu, rencana pemanfaatannya pada SSD enterprise dan HBF mencerminkan 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 diharapkan mampu mendorong pusat data mengelola pertumbuhan lalu lintas informasi dengan energi yang lebih terkendali. Apa pendapat Anda, apakah penggunaan prosesor khusus dalam kontroler SSD dapat menghadirkan solusi penting bagi penyimpanan era AI? Bagikan pandangan Anda mengenai efisiensi penyimpanan data.
