Inovasi

Peneliti Jepang Kembangkan Chip AI Berbasis Memori Magnetik dengan Konsumsi Energi Rendah

Peneliti Jepang berhasil mengembangkan chip kecerdasan buatan berbasis memori magnetik yang menawarkan konsumsi energi jauh lebih rendah dibandingkan sistem konvensional. Inovasi teknologi ini diumumkan oleh tim Universitas Tohoku bersama perusahaan Aisin pada 2 November 2026. Chip tersebut menggunakan teknologi STT-MRAM berkapasitas 32MB yang terintegrasi dengan prosesor AI berbasis fabrikasi 16 nanometer. Dalam pengujian pengenalan objek, sistem mampu mengurangi konsumsi energi hingga seperlima puluh dari pembanding yang digunakan. Pengembangan ini membuka peluang besar bagi perangkat edge AI, kendaraan pintar, robotika, dan berbagai sistem elektronik yang membutuhkan pemrosesan cepat dengan penggunaan daya lebih efisien.

Peneliti Jepang Menghadirkan Inovasi Chip AI Berbasis Memori Magnetik

Tim peneliti dari Universitas Tohoku bersama perusahaan Aisin mengumumkan keberhasilan pembuatan perangkat pemrosesan AI yang mengintegrasikan memori magnetik secara langsung di dalam prosesor. Inovasi tersebut menggunakan teknologi STT-MRAM atau Spin Transfer Torque Magnetoresistive Random Access Memory sebagai media penyimpanan internal. Berbeda dari arsitektur dengan perpindahan data antarkomponen eksternal, prototipe tersebut mengintegrasikan penyimpanan dalam chip. Arsitektur yang digunakan dikembangkan untuk mengurangi pemborosan energi ketika melakukan komputasi berbasis pembelajaran mesin.

Pengembangan chip tersebut menunjukkan perkembangan berarti dalam bidang komputasi hemat energi. Pada sistem komputasi tertentu, perpindahan informasi antara prosesor dan memori berpotensi memperlambat pemrosesan. Ketika model AI semakin kompleks, jumlah data yang harus dipindahkan juga meningkat. Berkat pendekatan komputasi dekat memori, pengembang mencoba mengurangi ketergantungan pada akses memori eksternal. Hasil penelitian awal memperlihatkan potensi penghematan energi yang besar.

Cara Kerja Memori Magnetik STT-MRAM pada Chip AI Jepang

Teknologi Spin Transfer Torque MRAM adalah jenis memori nonvolatil yang memanfaatkan orientasi magnetisasi. Berbeda dengan DRAM, STT-MRAM mampu menjaga isi memori setelah perangkat dimatikan. Sifat nonvolatil tersebut memberikan manfaat potensial untuk pengembangan perangkat hemat energi. Pada mekanisme pengubahan keadaan memori, STT-MRAM menerapkan mekanisme spin transfer torque. Berkat kemampuan penyimpanan magnetik, perangkat tidak harus memuat ulang seluruh informasi dari penyimpanan eksternal dalam rancangan yang sesuai.

Chip yang dikembangkan peneliti Jepang menggunakan arsitektur Near-Memory Computing. Metode komputasi ini berfungsi mendekatkan akses memori dengan unit pemrosesan. Pada prototipe penelitian, komponen memori tertanam berukuran 32MB diintegrasikan pada chip. Penggabungan komponen ini mendukung pemrosesan tanpa ketergantungan pada penyimpanan eksternal dalam implementasi prototipe yang dikembangkan. Dengan akses informasi yang lebih dekat, sistem memperoleh peluang peningkatan efisiensi.

Peran Memori Nonvolatil dalam Mempercepat Aktivasi Chip AI

Keunggulan penting dari penyimpanan berbasis magnetisasi adalah kemampuannya mempertahankan informasi tanpa pasokan listrik. Pada perangkat elektronik dengan penggunaan berkala, pemindahan informasi saat proses awal sistem sering menambah pekerjaan pemrosesan. Berkat penerapan STT-MRAM, data yang diperlukan dapat dipertahankan. Karakteristik penyimpanan tersebut berpotensi mempercepat waktu aktivasi. Manfaat tersebut penting untuk sistem elektronik yang sering aktif secara bergantian.

Selain mempercepat aktivasi, penerapan penyimpanan nonvolatil juga berpotensi menyederhanakan rancangan perangkat. Saat fungsi memori disatukan dengan pemrosesan, rancangan perangkat berpeluang menggunakan lebih sedikit komponen. Walaupun menawarkan manfaat potensial, tidak semua model AI dapat menggunakan kapasitas penyimpanan yang sama. STT-MRAM juga memiliki pertimbangan biaya produksi dan kepadatan penyimpanan. Oleh sebab tersebut, evaluasi teknis perlu dilakukan secara berkelanjutan sebelum rancangan diterapkan pada produk komersial.

Performa Prosesor 16 Nanometer dengan Memori STT-MRAM

Berdasarkan hasil evaluasi prototipe, sistem AI SoC yang dikembangkan dibangun melalui proses semikonduktor 16 nm. Konfigurasi pemrosesan tersebut menggabungkan unit komputasi dan memori magnetik sebesar 32MB untuk mendukung pengolahan data AI. Hasil eksperimen menunjukkan bahwa waktu penyalaan menuju sistem operasi mencapai 65,7 milidetik. Angka tersebut dilaporkan sekitar 39 kali lebih cepat dibandingkan arsitektur referensi dalam evaluasi. Hasil startup ini menunjukkan potensi pengurangan waktu persiapan sistem.

Di samping memperbaiki kecepatan aktivasi, para pengembang melakukan evaluasi terhadap kemampuan pemrosesan pengenalan objek. Hasilnya, proses komputasi menjadi sekitar sepuluh kali lebih cepat dibandingkan sistem referensi yang digunakan. Jika dihitung pada tingkat sistem, peningkatan kecepatan mencapai sekitar 25 kali. Pada aspek konsumsi energi, konsumsi energi mencapai sekitar 50,7 milijoule untuk setiap frame. Hasil pengukuran ini setara dengan sekitar seperlima puluh dari pembanding dalam kondisi eksperimen yang digunakan. Namun perlu diperhatikan, performa sebenarnya dapat berbeda menurut beban kerja.

Peluang Penggunaan Prosesor Hemat Energi dalam Teknologi Modern

Kemajuan teknologi semikonduktor Jepang berpotensi memberikan manfaat dalam industri kendaraan pintar. Sistem otomotif dengan kemampuan AI bergantung pada kemampuan menganalisis data sensor. Dalam penerapan tertentu, kamera kendaraan dapat memanfaatkan AI untuk mengenali informasi visual dari sensor. Chip dengan konsumsi energi lebih rendah memungkinkan pengembangan perangkat yang lebih hemat daya. Walaupun menawarkan kemampuan menjanjikan, penerapan dalam kendaraan memerlukan validasi khusus sebelum diandalkan untuk fungsi operasional nyata.

Selain sektor otomotif, pengembangan chip tersebut membuka peluang untuk berbagai perangkat elektronik terhubung. Pada perangkat IoT, kapasitas baterai sering terbatas. Jika pemrosesan AI dapat dilakukan secara lokal, pemrosesan dapat berlangsung lebih dekat dengan sumber data. Metode edge AI ini berpotensi membantu mengurangi latensi. Sebagai gambaran penggunaan, sensor industri memiliki kesempatan menggunakan pengenalan pola tanpa selalu bergantung pada cloud. Walaupun potensinya luas, penggunaan pada produk konsumen masih harus melalui validasi.

Masa Depan Teknologi Memori Magnetik dalam Komputasi AI

Inovasi semikonduktor hasil kolaborasi Universitas Tohoku dan Aisin memperlihatkan perkembangan menarik dalam bidang TEKNOLOGI kecerdasan buatan. Melalui integrasi STT-MRAM, prototipe ini mampu mengurangi kebutuhan memori eksternal. Hasil pengujian menunjukkan percepatan sistem sekaligus penghematan energi yang signifikan. Peluang penerapan teknologi tersebut berkaitan dengan berbagai sistem edge AI. Walaupun hasil awal terlihat menjanjikan, uji lanjutan tetap diperlukan sebelum teknologi diterapkan secara luas. Bagaimana menurut Anda mengenai penggunaan memori magnetik dalam prosesor AI? Bagikan pendapat Anda mengenai perkembangan komputasi AI generasi berikutnya.

Related Articles

Back to top button