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 memperkenalkan hasil pengembangan prototipe chip AI yang mengintegrasikan memori magnetik secara terintegrasi dalam satu sistem chip. Pengembangan terbaru ini memanfaatkan rancangan STT-MRAM atau Spin Transfer Torque Magnetoresistive Random Access Memory sebagai media penyimpanan internal. Dibandingkan dengan sistem yang bergantung pada penyimpanan terpisah, rancangan ini menempatkan data lebih dekat dengan pemrosesan. Arsitektur yang digunakan bertujuan meningkatkan efisiensi ketika memproses tugas AI.
Pengembangan chip tersebut memperlihatkan kemajuan menarik dalam bidang komputasi hemat energi. Dalam banyak rancangan perangkat AI, perpindahan informasi antara prosesor dan memori sering membutuhkan daya tambahan. Saat ukuran model kecerdasan buatan bertambah, jumlah data yang harus dipindahkan juga meningkat. Dengan menggunakan penyimpanan internal nonvolatil, sistem dirancang untuk membatasi ketergantungan pada akses memori eksternal. Data evaluasi yang diumumkan memberikan gambaran manfaat arsitektur baru tersebut.
Teknologi Near-Memory Computing untuk Mempercepat Pemrosesan AI
STT-MRAM merupakan jenis memori nonvolatil yang menggunakan sifat magnetik material. Dibandingkan penyimpanan DRAM biasa, STT-MRAM dapat mempertahankan data ketika listrik terputus. Sifat nonvolatil tersebut memberikan manfaat potensial untuk pengembangan perangkat hemat energi. Ketika informasi disimpan, STT-MRAM menggunakan pengaruh arus listrik terhadap magnetisasi. Berkat kemampuan penyimpanan magnetik, perangkat tidak harus memuat ulang seluruh informasi dari penyimpanan eksternal dalam rancangan yang sesuai.
Chip yang dikembangkan peneliti Jepang menerapkan pendekatan komputasi dekat memori. Metode komputasi ini bertujuan mengurangi jarak perpindahan informasi. Melalui rancangan chip tersebut, penyimpanan magnetik internal sebesar 32MB ditempatkan bersama unit komputasi. Penggabungan komponen ini mengurangi kebutuhan komponen memori tambahan di luar chip dalam implementasi prototipe yang dikembangkan. Berkat penyederhanaan jalur komunikasi, sistem memperoleh peluang peningkatan efisiensi.
Keunggulan Memori Magnetik Dibandingkan Sistem Penyimpanan Konvensional
Keunggulan penting dari teknologi STT-MRAM adalah kemampuan menjaga data saat perangkat tidak aktif. Dalam sistem komputasi tertentu, pemindahan informasi saat proses awal sistem sering menambah pekerjaan pemrosesan. Melalui penggunaan penyimpanan magnetik internal, informasi penting dapat tetap tersimpan. Pendekatan ini dapat membantu mengurangi konsumsi daya saat startup. Keuntungan teknis ini menjadi relevan bagi perangkat edge AI.
Selain mempercepat aktivasi, integrasi memori magnetik juga dapat mengurangi kebutuhan komponen eksternal. Ketika jumlah komponen tambahan berkurang, pengembang memiliki kesempatan menyederhanakan susunan sistem. Namun demikian, kapasitas memori dan kebutuhan aplikasi tetap harus diperhitungkan. Teknologi memori magnetik tetap menghadapi pertimbangan biaya produksi dan kepadatan penyimpanan. Dengan mempertimbangkan faktor ini, evaluasi teknis perlu dilakukan secara berkelanjutan sebelum teknologi digunakan secara luas.
Performa Prosesor 16 Nanometer dengan Memori STT-MRAM
Berdasarkan hasil evaluasi prototipe, sistem AI SoC yang dikembangkan dibangun melalui proses semikonduktor 16 nm. Arsitektur tersebut dipadukan dengan penyimpanan internal sebesar 32MB untuk mengoperasikan model kecerdasan buatan. Tim peneliti melaporkan bahwa waktu penyalaan menuju sistem operasi mencapai 65,7 milidetik. Hasil pengukuran tersebut mencerminkan peningkatan kecepatan sekitar 39 kali lipat dibandingkan konfigurasi konvensional yang diuji. Kecepatan aktivasi memperlihatkan manfaat penyimpanan nonvolatil.
Di samping memperbaiki kecepatan aktivasi, ilmuwan Jepang memeriksa kinerja sistem dalam mendeteksi objek. Hasilnya, durasi pengolahan tugas AI turun sekitar 90 persen dibandingkan pendekatan konvensional pada pengujian. Jika dihitung pada tingkat sistem, kinerja dilaporkan meningkat sekitar 25 kali lipat. Dari sisi penggunaan daya, energi untuk pengenalan objek tercatat sekitar 50,7 milijoule per frame. Hasil pengukuran ini dilaporkan membutuhkan energi sekitar 50 kali lebih rendah dalam pengujian dengan sistem referensi. 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 sektor otomotif modern. Kendaraan yang menggunakan kecerdasan buatan sering memerlukan pemrosesan data langsung. Sebagai contoh, sistem pengenalan visual pada kendaraan dapat menggunakan prosesor untuk mengenali informasi visual dari sensor. Prosesor yang membutuhkan daya lebih sedikit dapat mendukung optimalisasi penggunaan energi. Walaupun menawarkan kemampuan menjanjikan, penggunaan otomotif membutuhkan pengujian keandalan tambahan sebelum diandalkan untuk fungsi operasional nyata.
Tidak hanya berpotensi diterapkan pada transportasi, teknologi ini juga relevan bagi berbagai perangkat elektronik terhubung. Untuk perangkat elektronik berukuran kecil, kapasitas baterai sering terbatas. Jika pemrosesan AI dapat dilakukan secara lokal, sebagian aktivitas transfer informasi dapat ditekan. Model komputasi lokal tersebut dapat mempercepat respons perangkat. Contohnya, sensor industri memiliki kesempatan menggunakan pengenalan pola tanpa selalu bergantung pada cloud. Namun demikian, penggunaan pada produk konsumen masih harus melalui validasi.
Penutup Pembahasan Inovasi Prosesor STT-MRAM untuk Perangkat Cerdas
Keberhasilan peneliti Jepang mengembangkan chip AI memperlihatkan perkembangan menarik dalam pengembangan TEKNOLOGI komputasi hemat energi. Berkat penerapan penyimpanan data berbasis magnetisme, chip menawarkan pendekatan pemrosesan yang mengurangi perpindahan data. Data eksperimen menggambarkan kemampuan aktivasi yang lebih cepat sekaligus penurunan kebutuhan daya dalam skenario tertentu. Peluang penerapan teknologi tersebut mencakup kendaraan pintar, robotika, dan perangkat IoT. Meski penelitian menunjukkan kemajuan, keandalan pada penggunaan nyata harus dibuktikan sebelum sistem diintegrasikan ke berbagai perangkat konsumen. Apa pandangan Anda mengenai penggunaan memori magnetik dalam prosesor AI? Sampaikan pandangan Anda mengenai manfaat teknologi tersebut.
