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.
Pengembangan Prosesor AI Hemat Energi oleh Universitas Tohoku
Para pengembang teknologi semikonduktor di Universitas Tohoku bersama perusahaan Aisin berhasil mengembangkan sistem komputasi kecerdasan buatan 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, sistem baru ini mengurangi kebutuhan akses memori di luar prosesor. Pendekatan tersebut dikembangkan untuk mengurangi pemborosan energi ketika melakukan komputasi berbasis pembelajaran mesin.
Penelitian semikonduktor terbaru ini memperlihatkan kemajuan menarik dalam industri teknologi AI. Dalam banyak rancangan perangkat AI, perpindahan informasi antara prosesor dan memori sering membutuhkan daya tambahan. Seiring meningkatnya kebutuhan pemrosesan AI, kebutuhan akses memori menjadi semakin besar. Berkat pendekatan komputasi dekat memori, pengembang mencoba mengurangi hambatan perpindahan data. Temuan dari pengujian prototipe memperlihatkan potensi penghematan energi yang besar.
Teknologi Near-Memory Computing untuk Mempercepat Pemrosesan AI
STT-MRAM merupakan teknologi memori yang mempertahankan informasi tanpa daya yang menggunakan sifat magnetik material. Tidak seperti memori DRAM konvensional, STT-MRAM tidak membutuhkan pasokan daya terus-menerus untuk menyimpan informasi. Karakteristik tersebut menawarkan keuntungan bagi pengembangan perangkat hemat energi. Ketika informasi disimpan, STT-MRAM memanfaatkan transfer momentum spin untuk mengubah orientasi magnetik. Melalui karakteristik ini, perangkat tidak harus memuat ulang seluruh informasi dari penyimpanan eksternal dalam rancangan yang sesuai.
Chip yang dikembangkan peneliti Jepang menggunakan arsitektur Near-Memory Computing. Konsep tersebut bertujuan mengurangi jarak perpindahan informasi. Dalam sistem yang diuji, memori STT-MRAM berkapasitas 32MB ditempatkan bersama unit komputasi. Desain penyimpanan internal tersebut mengurangi kebutuhan komponen memori tambahan di luar chip dalam skenario penelitian tersebut. Dengan akses informasi yang lebih dekat, proses pemrosesan berpotensi berlangsung lebih cepat.
Manfaat STT-MRAM untuk Mengurangi Konsumsi Energi Perangkat
Nilai teknis yang menonjol dari memori magnetik nonvolatil adalah kemampuannya mempertahankan informasi tanpa pasokan listrik. Ketika sebuah perangkat sering dihidupkan dan dimatikan, aktivitas mengambil kembali perangkat lunak serta parameter AI berpotensi memperlambat kesiapan perangkat. Dengan memanfaatkan memori nonvolatil, data yang diperlukan dapat dipertahankan. Karakteristik penyimpanan tersebut berpotensi mempercepat waktu aktivasi. Keuntungan teknis ini berguna pada perangkat yang membutuhkan respons cepat.
Tidak hanya membantu mempertahankan data, penerapan penyimpanan nonvolatil juga memungkinkan pengembangan sistem yang lebih terintegrasi. Ketika jumlah komponen tambahan berkurang, pengembang memiliki kesempatan menyederhanakan susunan sistem. Namun demikian, kapasitas memori dan kebutuhan aplikasi tetap harus diperhitungkan. Pengembangan penyimpanan nonvolatil masih memerlukan pengujian ketahanan serta efisiensi penulisan data. Dengan mempertimbangkan faktor ini, evaluasi teknis perlu dilakukan secara berkelanjutan sebelum chip diproduksi dalam skala industri.
Kemampuan Chip AI Magnetik dalam Mempercepat Pengenalan Objek
Dalam penelitian yang diumumkan, prosesor kecerdasan buatan dengan memori magnetik menggunakan teknologi fabrikasi 16 nanometer. Arsitektur tersebut menggabungkan unit komputasi dan memori magnetik sebesar 32MB untuk mendukung pengolahan data AI. Tim peneliti melaporkan bahwa waktu penyalaan menuju sistem operasi mencapai 65,7 milidetik. Hasil pengukuran tersebut menunjukkan percepatan sekitar 39 kali dibandingkan arsitektur referensi dalam evaluasi. Kecepatan aktivasi memperlihatkan manfaat penyimpanan nonvolatil.
Di samping memperbaiki kecepatan aktivasi, ilmuwan Jepang memeriksa efisiensi chip ketika menjalankan tugas visual AI. Dalam evaluasi tersebut, waktu pemrosesan AI berkurang menjadi sekitar sepersepuluh dibandingkan sistem referensi yang digunakan. Secara keseluruhan, peningkatan kecepatan mencapai sekitar 25 kali. Dari sisi penggunaan daya, energi untuk pengenalan objek tercatat sekitar 50,7 milijoule per frame. Hasil pengukuran ini menunjukkan pengurangan energi hingga faktor 50 dalam kondisi eksperimen yang digunakan. Namun perlu diperhatikan, hasil penghematan bergantung pada rancangan pembanding.
Potensi Chip AI Magnetik untuk Kendaraan Pintar dan Perangkat IoT
Inovasi chip berbasis memori magnetik berpotensi memberikan manfaat dalam pengembangan sistem transportasi cerdas. Perangkat elektronik pada kendaraan modern bergantung pada kemampuan menganalisis data sensor. Dalam penerapan tertentu, perangkat pemantauan lingkungan dapat mengandalkan kecerdasan buatan untuk mendeteksi objek di sekitar. Chip dengan konsumsi energi lebih rendah memungkinkan pengembangan perangkat yang lebih hemat daya. Meskipun memiliki potensi penggunaan, integrasi dengan sistem keselamatan harus melalui evaluasi ketat sebelum digunakan pada produk komersial.
Selain sektor otomotif, pengembangan chip tersebut membuka peluang untuk sistem robot serta perangkat IoT. Dalam sistem sensor pintar, ketersediaan energi menjadi pertimbangan utama. Ketika kecerdasan buatan dijalankan tanpa selalu mengirim data ke server, kebutuhan komunikasi jaringan berpotensi berkurang. Model komputasi lokal tersebut berpotensi membantu mengurangi latensi. Contohnya, perangkat pemantau lingkungan memiliki kesempatan menggunakan pengenalan pola tanpa selalu bergantung pada cloud. Meski menjanjikan, penggunaan pada produk konsumen masih harus melalui validasi.
Penutup Pembahasan Inovasi Prosesor STT-MRAM untuk Perangkat Cerdas
Inovasi semikonduktor hasil kolaborasi Universitas Tohoku dan Aisin menjadi pencapaian penting dalam industri TEKNOLOGI semikonduktor. Dengan menggunakan memori magnetik nonvolatil, sistem dapat menjalankan tugas AI dengan arsitektur lebih terintegrasi. Temuan penelitian memperlihatkan peningkatan kecepatan pemrosesan sekaligus efisiensi penggunaan energi yang menjanjikan. Manfaat pengembangan ini mencakup kendaraan pintar, robotika, dan perangkat IoT. Walaupun hasil awal terlihat menjanjikan, uji lanjutan tetap diperlukan sebelum teknologi diterapkan secara luas. Apa pandangan Anda mengenai penggunaan memori magnetik dalam prosesor AI? Sampaikan pandangan Anda mengenai manfaat teknologi tersebut.
