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.
Terobosan Teknologi Semikonduktor Jepang untuk Komputasi Kecerdasan Buatan
Kelompok ilmuwan Jepang yang dipimpin Universitas Tohoku bersama perusahaan Aisin berhasil mengembangkan prototipe chip AI yang mengintegrasikan memori magnetik secara terintegrasi dalam satu sistem chip. Pengembangan terbaru ini menggunakan teknologi STT-MRAM atau Spin Transfer Torque Magnetoresistive Random Access Memory sebagai media penyimpanan internal. Tidak seperti pendekatan yang membutuhkan memori eksternal, rancangan ini menempatkan data lebih dekat dengan pemrosesan. Arsitektur yang digunakan bertujuan meningkatkan efisiensi ketika menjalankan model kecerdasan buatan.
Penelitian semikonduktor terbaru ini menunjukkan perkembangan berarti dalam pengembangan prosesor kecerdasan buatan. Dalam banyak rancangan perangkat AI, perpindahan informasi antara prosesor dan memori sering membutuhkan daya tambahan. Seiring meningkatnya kebutuhan pemrosesan AI, beban komunikasi antarkomponen dapat bertambah. Berkat pendekatan komputasi dekat memori, pengembang mencoba mengurangi ketergantungan pada akses memori eksternal. Temuan dari pengujian prototipe memberikan gambaran manfaat arsitektur baru tersebut.
Mekanisme Penyimpanan Magnetik dalam Prosesor Kecerdasan Buatan
STT-MRAM merupakan teknologi memori yang mempertahankan informasi tanpa daya yang memanfaatkan orientasi magnetisasi. Dibandingkan penyimpanan DRAM biasa, STT-MRAM dapat mempertahankan data ketika listrik terputus. Kemampuan penyimpanan ini memberikan manfaat potensial untuk perancangan sistem komputasi efisien. Pada mekanisme pengubahan keadaan memori, STT-MRAM memanfaatkan transfer momentum spin untuk mengubah orientasi magnetik. Berkat kemampuan penyimpanan magnetik, data dapat tetap tersedia setelah perangkat dinyalakan kembali.
Sistem semikonduktor hasil penelitian ini menerapkan pendekatan komputasi dekat memori. Pendekatan arsitektur tersebut dirancang meminimalkan komunikasi data yang tidak diperlukan. Melalui rancangan chip tersebut, penyimpanan magnetik internal sebesar 32MB ditempatkan bersama unit komputasi. Desain penyimpanan internal tersebut mengurangi kebutuhan komponen memori tambahan di luar chip dalam implementasi prototipe yang dikembangkan. Dengan akses informasi yang lebih dekat, konsumsi energi dapat ditekan.
Manfaat STT-MRAM untuk Mengurangi Konsumsi Energi Perangkat
Nilai teknis yang menonjol dari penyimpanan berbasis magnetisasi adalah sifat penyimpanan data yang tidak bergantung pada daya berkelanjutan. Pada perangkat elektronik dengan penggunaan berkala, aktivitas mengambil kembali perangkat lunak serta parameter AI berpotensi memperlambat kesiapan perangkat. Melalui penggunaan penyimpanan magnetik internal, informasi penting dapat tetap tersimpan. Pendekatan ini membuka peluang penyederhanaan proses penyalaan. Keuntungan teknis ini menjadi relevan bagi perangkat edge AI.
Tidak hanya membantu mempertahankan data, penerapan penyimpanan nonvolatil juga dapat mengurangi kebutuhan komponen eksternal. Saat fungsi memori disatukan dengan pemrosesan, pengembang memiliki kesempatan menyederhanakan susunan sistem. Walaupun menawarkan manfaat potensial, tidak semua model AI dapat menggunakan kapasitas penyimpanan yang sama. Pengembangan penyimpanan nonvolatil masih memerlukan evaluasi terhadap kemampuan integrasi semikonduktor. Oleh sebab tersebut, pengembangan lanjutan masih dibutuhkan sebelum rancangan diterapkan pada produk komersial.
Hasil Pengujian Chip AI Jepang Menunjukkan Penghematan Energi Besar
Melalui pengujian yang dilakukan tim, sistem AI SoC yang dikembangkan memanfaatkan rancangan 16 nm FinFET. Desain chip ini dipadukan dengan penyimpanan internal sebesar 32MB untuk mengoperasikan model kecerdasan buatan. Hasil eksperimen menunjukkan bahwa waktu penyalaan menuju sistem operasi mencapai 65,7 milidetik. Waktu aktivasi ini dilaporkan sekitar 39 kali lebih cepat dibandingkan sistem pembanding pada penelitian. Kecepatan aktivasi menjadi salah satu indikator efisiensi.
Di samping memperbaiki kecepatan aktivasi, para pengembang melakukan evaluasi terhadap efisiensi chip ketika menjalankan tugas visual AI. Hasilnya, waktu pemrosesan AI berkurang menjadi sekitar sepersepuluh dibandingkan konfigurasi pembanding. Dalam pengukuran performa sistem, peningkatan kecepatan mencapai sekitar 25 kali. Sementara itu, pengolahan satu frame membutuhkan sekitar 50,7 mJ. Nilai tersebut setara dengan sekitar seperlima puluh dari pembanding dalam skenario evaluasi penelitian. Namun perlu diperhatikan, angka tersebut bukan ukuran universal seluruh aplikasi AI.
Manfaat Komputasi Edge AI bagi Robotika dan Sistem Elektronik
Kemajuan teknologi semikonduktor Jepang berpotensi memberikan manfaat dalam pengembangan sistem transportasi cerdas. Perangkat elektronik pada kendaraan modern membutuhkan pengolahan informasi secara cepat. Dalam penerapan tertentu, sistem pengenalan visual pada kendaraan dapat menggunakan prosesor untuk mengenali informasi visual dari sensor. Sistem komputasi dengan efisiensi tinggi dapat mendukung optimalisasi penggunaan energi. Walaupun menawarkan kemampuan menjanjikan, penerapan dalam kendaraan memerlukan validasi khusus sebelum digunakan pada produk komersial.
Selain sektor otomotif, pengembangan chip tersebut membuka peluang untuk sistem robot serta perangkat IoT. Pada perangkat IoT, penggunaan daya perlu dikelola dengan cermat. Apabila analisis data berlangsung langsung pada perangkat, pemrosesan dapat berlangsung lebih dekat dengan sumber data. Pendekatan tersebut memungkinkan pengolahan data dengan ketergantungan jaringan yang lebih rendah. Sebagai gambaran penggunaan, sensor industri dapat memanfaatkan kemampuan analisis lokal. Namun demikian, integrasi komersial membutuhkan pengembangan lanjutan.
Kesimpulan Pengembangan Chip AI Magnetik Hemat Energi Jepang
Inovasi semikonduktor hasil kolaborasi Universitas Tohoku dan Aisin memperlihatkan perkembangan menarik dalam bidang TEKNOLOGI kecerdasan buatan. Melalui integrasi STT-MRAM, chip menawarkan pendekatan pemrosesan yang mengurangi perpindahan data. Temuan penelitian memperlihatkan peningkatan kecepatan pemrosesan sekaligus penghematan energi yang signifikan. Peluang penerapan teknologi tersebut berkaitan dengan berbagai sistem edge AI. Meski penelitian menunjukkan kemajuan, uji lanjutan tetap diperlukan sebelum chip digunakan dalam produk massal. Bagaimana menurut Anda mengenai pengembangan perangkat pintar dengan konsumsi daya rendah? Ceritakan pemikiran Anda mengenai perkembangan komputasi AI generasi berikutnya.
