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
Kelompok ilmuwan Jepang yang dipimpin Universitas Tohoku bersama perusahaan Aisin berhasil mengembangkan sistem komputasi kecerdasan buatan yang memanfaatkan teknologi memori nonvolatil secara terpadu pada komponen pemrosesan. Inovasi tersebut memanfaatkan rancangan STT-MRAM atau Spin Transfer Torque Magnetoresistive Random Access Memory sebagai bagian penting dalam pengelolaan data. Tidak seperti pendekatan yang membutuhkan memori eksternal, sistem baru ini mengurangi kebutuhan akses memori di luar prosesor. Metode pengembangan ini dikembangkan untuk mengurangi pemborosan energi ketika menjalankan model kecerdasan buatan.
Keberhasilan pembuatan prototipe tersebut menunjukkan perkembangan berarti dalam pengembangan prosesor kecerdasan buatan. Pada sistem komputasi tertentu, perpindahan informasi antara prosesor dan memori berpotensi memperlambat pemrosesan. Ketika model AI semakin kompleks, beban komunikasi antarkomponen dapat bertambah. Berkat pendekatan komputasi dekat memori, sistem dirancang untuk membatasi hambatan perpindahan data. Hasil penelitian awal memperlihatkan potensi penghematan energi yang besar.
Cara Kerja Memori Magnetik STT-MRAM pada Chip AI Jepang
Memori STT-MRAM dikenal sebagai sistem penyimpanan berbasis magnetisme yang menggunakan sifat magnetik material. Berbeda dengan DRAM, STT-MRAM mampu menjaga isi memori setelah perangkat dimatikan. Karakteristik tersebut memberikan manfaat potensial untuk pembuatan prosesor dengan kebutuhan daya rendah. Ketika informasi disimpan, STT-MRAM menerapkan mekanisme spin transfer torque. Melalui karakteristik ini, informasi yang disimpan tidak hilang ketika catu daya dimatikan.
Chip yang dikembangkan peneliti Jepang menggunakan arsitektur Near-Memory Computing. Konsep tersebut bertujuan mengurangi jarak perpindahan informasi. Melalui rancangan chip tersebut, memori STT-MRAM berkapasitas 32MB ditempatkan bersama unit komputasi. Integrasi tersebut mengurangi kebutuhan komponen memori tambahan di luar chip dalam implementasi prototipe yang dikembangkan. Berkat penyederhanaan jalur komunikasi, proses pemrosesan berpotensi berlangsung lebih cepat.
Peran Memori Nonvolatil dalam Mempercepat Aktivasi Chip AI
Keunggulan penting dari teknologi STT-MRAM adalah sifat penyimpanan data yang tidak bergantung pada daya berkelanjutan. Dalam sistem komputasi tertentu, aktivitas mengambil kembali perangkat lunak serta parameter AI dapat membutuhkan waktu dan energi. Berkat penerapan STT-MRAM, data yang diperlukan dapat dipertahankan. Karakteristik penyimpanan tersebut membuka peluang penyederhanaan proses penyalaan. Keuntungan teknis ini penting untuk sistem elektronik yang sering aktif secara bergantian.
Tidak hanya membantu mempertahankan data, penggunaan STT-MRAM dalam chip juga dapat mengurangi kebutuhan komponen eksternal. Saat fungsi memori disatukan dengan pemrosesan, rancangan perangkat berpeluang menggunakan lebih sedikit komponen. Meski pendekatan ini menjanjikan, kompatibilitas sistem bergantung pada ukuran model serta beban kerja. STT-MRAM juga memiliki pertimbangan biaya produksi dan kepadatan penyimpanan. Dengan mempertimbangkan faktor ini, pengembangan lanjutan masih dibutuhkan sebelum chip diproduksi dalam skala industri.
Hasil Pengujian Chip AI Jepang Menunjukkan Penghematan Energi Besar
Dalam penelitian yang diumumkan, sistem AI SoC yang dikembangkan memanfaatkan rancangan 16 nm FinFET. Desain chip ini dipadukan dengan penyimpanan internal sebesar 32MB untuk mengoperasikan model kecerdasan buatan. Tim peneliti melaporkan bahwa sistem operasi dapat aktif dalam waktu sekitar 65,7 milidetik. Angka tersebut mencerminkan peningkatan kecepatan sekitar 39 kali lipat dibandingkan konfigurasi konvensional yang diuji. Kemampuan penyalaan tersebut menjadi salah satu indikator efisiensi.
Selain mempercepat proses penyalaan, ilmuwan Jepang memeriksa efisiensi chip ketika menjalankan tugas visual AI. Berdasarkan pengukuran yang dilaporkan, durasi pengolahan tugas AI turun sekitar 90 persen dibandingkan konfigurasi pembanding. Dalam pengukuran performa sistem, proses keseluruhan berlangsung kurang lebih 25 kali lebih cepat. Dari sisi penggunaan daya, konsumsi energi mencapai sekitar 50,7 milijoule untuk setiap frame. Hasil pengukuran ini dilaporkan membutuhkan energi sekitar 50 kali lebih rendah dalam skenario evaluasi penelitian. Walaupun hasilnya menjanjikan, angka tersebut bukan ukuran universal seluruh aplikasi AI.
Potensi Chip AI Magnetik untuk Kendaraan Pintar dan Perangkat IoT
Pengembangan prosesor AI hemat energi berpotensi memberikan manfaat dalam sektor otomotif modern. Kendaraan yang menggunakan kecerdasan buatan sering memerlukan pemrosesan data langsung. Untuk menggambarkan potensinya, kamera kendaraan dapat memanfaatkan AI untuk mengenali informasi visual dari sensor. Prosesor yang membutuhkan daya lebih sedikit memungkinkan pengembangan perangkat yang lebih hemat daya. Meskipun memiliki potensi penggunaan, penggunaan otomotif membutuhkan pengujian keandalan tambahan sebelum diterapkan dalam kendaraan produksi.
Selain sektor otomotif, pengembangan chip tersebut membuka peluang untuk robotika dan Internet of Things. Untuk perangkat elektronik berukuran kecil, kapasitas baterai sering terbatas. Apabila analisis data berlangsung langsung pada perangkat, sebagian aktivitas transfer informasi dapat ditekan. 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, penerapan nyata memerlukan penyesuaian desain.
Kesimpulan Pengembangan Chip AI Magnetik Hemat Energi Jepang
Keberhasilan peneliti Jepang mengembangkan chip AI memperlihatkan perkembangan menarik dalam pengembangan TEKNOLOGI komputasi hemat energi. Melalui integrasi STT-MRAM, sistem dapat menjalankan tugas AI dengan arsitektur lebih terintegrasi. Data eksperimen menunjukkan percepatan sistem sekaligus penghematan energi yang signifikan. Peluang penerapan teknologi tersebut dapat menjangkau perangkat elektronik dengan keterbatasan energi. Namun demikian, uji lanjutan tetap diperlukan sebelum teknologi diterapkan secara luas. Bagaimana menurut Anda mengenai masa depan chip kecerdasan buatan hemat energi? Ceritakan pemikiran Anda mengenai perkembangan komputasi AI generasi berikutnya.
