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 mengumumkan keberhasilan pembuatan sistem komputasi kecerdasan buatan yang menggunakan penyimpanan data berbasis magnetisme secara terpadu pada komponen pemrosesan. Pencapaian penelitian tersebut memanfaatkan rancangan STT-MRAM atau Spin Transfer Torque Magnetoresistive Random Access Memory sebagai bagian penting dalam pengelolaan data. Berbeda dari arsitektur dengan perpindahan data antarkomponen eksternal, prototipe tersebut mengintegrasikan penyimpanan dalam chip. Metode pengembangan ini dirancang mempercepat pengolahan informasi ketika memproses tugas AI.
Pengembangan chip tersebut memperlihatkan kemajuan menarik dalam industri teknologi AI. Dalam banyak rancangan perangkat AI, pengiriman data dari penyimpanan menuju unit komputasi sering membutuhkan daya tambahan. Saat ukuran model kecerdasan buatan bertambah, beban komunikasi antarkomponen dapat bertambah. Berkat pendekatan komputasi dekat memori, tim peneliti berupaya mengatasi hambatan perpindahan data. Hasil penelitian awal menunjukkan peningkatan efisiensi yang menjanjikan.
Teknologi Near-Memory Computing untuk Mempercepat Pemrosesan AI
Memori STT-MRAM dikenal sebagai jenis memori nonvolatil yang memanfaatkan orientasi magnetisasi. Berbeda dengan DRAM, STT-MRAM tidak membutuhkan pasokan daya terus-menerus untuk menyimpan informasi. Sifat nonvolatil tersebut memberikan manfaat potensial untuk pengembangan perangkat hemat energi. Ketika informasi disimpan, STT-MRAM memanfaatkan transfer momentum spin untuk mengubah orientasi magnetik. Dengan teknologi tersebut, perangkat tidak harus memuat ulang seluruh informasi dari penyimpanan eksternal dalam rancangan yang sesuai.
Prototipe prosesor AI terbaru tersebut menerapkan pendekatan komputasi dekat memori. Metode komputasi ini dirancang meminimalkan komunikasi data yang tidak diperlukan. Melalui rancangan chip tersebut, penyimpanan magnetik internal sebesar 32MB ditempatkan bersama unit komputasi. Integrasi tersebut memungkinkan sistem bekerja tanpa DRAM dan SSD eksternal dalam konfigurasi AI yang diuji. Berkat penyederhanaan jalur komunikasi, sistem memperoleh peluang peningkatan efisiensi.
Peran Memori Nonvolatil dalam Mempercepat Aktivasi Chip AI
Nilai teknis yang menonjol dari penyimpanan berbasis magnetisasi adalah kemampuannya mempertahankan informasi tanpa pasokan listrik. Pada perangkat elektronik dengan penggunaan berkala, pemindahan informasi saat proses awal sistem berpotensi memperlambat kesiapan perangkat. Dengan memanfaatkan memori nonvolatil, sebagian kebutuhan pemuatan ulang dapat dihindari. Pendekatan ini dapat membantu mengurangi konsumsi daya saat startup. Keuntungan teknis ini menjadi relevan bagi perangkat edge AI.
Di samping mendukung proses penyalaan, penggunaan STT-MRAM dalam chip juga berpotensi menyederhanakan rancangan perangkat. Apabila penyimpanan eksternal tidak diperlukan, desain papan elektronik dapat menjadi lebih ringkas. Walaupun menawarkan manfaat potensial, kompatibilitas sistem bergantung pada ukuran model serta beban kerja. Pengembangan penyimpanan nonvolatil masih memerlukan pengujian ketahanan serta efisiensi penulisan data. Oleh sebab tersebut, pengujian menyeluruh tetap diperlukan sebelum chip diproduksi dalam skala industri.
Hasil Pengujian Chip AI Jepang Menunjukkan Penghematan Energi Besar
Dalam penelitian yang diumumkan, prosesor kecerdasan buatan dengan memori magnetik dibangun melalui proses semikonduktor 16 nm. 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. Angka tersebut dilaporkan sekitar 39 kali lebih cepat dibandingkan sistem pembanding pada penelitian. Hasil startup ini menjadi salah satu indikator efisiensi.
Tidak hanya meningkatkan waktu startup, tim penelitian juga menguji kinerja sistem dalam mendeteksi objek. Berdasarkan pengukuran yang dilaporkan, 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, pengolahan satu frame membutuhkan sekitar 50,7 mJ. Nilai tersebut dilaporkan membutuhkan energi sekitar 50 kali lebih rendah dalam skenario evaluasi penelitian. Namun perlu diperhatikan, hasil penghematan bergantung pada rancangan pembanding.
Manfaat Komputasi Edge AI bagi Robotika dan Sistem Elektronik
Inovasi chip berbasis memori magnetik dapat mendukung pengembangan dalam sektor otomotif modern. Perangkat elektronik pada kendaraan modern membutuhkan pengolahan informasi secara cepat. Sebagai contoh, sistem pengenalan visual pada kendaraan dapat menggunakan prosesor untuk mendeteksi objek di sekitar. Chip dengan konsumsi energi lebih rendah memungkinkan pengembangan perangkat yang lebih hemat daya. Namun demikian, integrasi dengan sistem keselamatan harus melalui evaluasi ketat sebelum diterapkan dalam kendaraan produksi.
Selain sektor otomotif, prosesor berbasis memori magnetik dapat mendukung sistem robot serta perangkat IoT. Pada perangkat IoT, kapasitas baterai sering terbatas. Apabila analisis data berlangsung langsung pada perangkat, pemrosesan dapat berlangsung lebih dekat dengan sumber data. Metode edge AI ini dapat mempercepat respons perangkat. Sebagai gambaran penggunaan, sensor industri berpeluang menjalankan pemrosesan visual pada perangkat. Namun demikian, penerapan nyata memerlukan penyesuaian desain.
Masa Depan Teknologi Memori Magnetik dalam Komputasi AI
Inovasi semikonduktor hasil kolaborasi Universitas Tohoku dan Aisin menjadi pencapaian penting dalam pengembangan TEKNOLOGI komputasi hemat energi. Melalui integrasi STT-MRAM, sistem dapat menjalankan tugas AI dengan arsitektur lebih terintegrasi. Hasil pengujian 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, keandalan pada penggunaan nyata harus dibuktikan sebelum chip digunakan dalam produk massal. Bagaimana pendapat Anda mengenai masa depan chip kecerdasan buatan hemat energi? Bagikan pendapat Anda mengenai peluang penerapan inovasi ini.





