HBM4E ve LPCAMM2: SK Hynix’in Yapay Zeka Odaklı Bellek Yenilikleri 2026 Computex’inde Öne Çıkıyor
yapay zeka odaklı veri merkezi donanımlarında bellek çözümleri arasındaki rekabet hız kesmeden sürüyor. Computex 2026 kapsamında SK Hynix, gelecek nesil HBM4E bellek çözümünü sergiledi. Yeni nesil bellek, kapasite yoğunluğunu ve veri aktarım hızını önemli ölçüde yükselterek yapay zeka hızlandırıcılarının performansını güçlendirmeyi amaçlıyor.
HBM4E ile mevcut HBM4 mimarisinin ötesine geçilmesi hedefleniyor. Şirketin paylaştığı bilgilere göre bu bellek, 32 Gb yonga yoğunluğuna ulaşacak ve bu artış, HBM4 için kullanılan 16-Hi yapıdan daha kompakt çözümlerle aynı kapasiteyi sunmayı mümkün kılacak. Böylece paketleme verimliliği artarken tasarımlar daha küçük boyutlarda daha yüksek kapasite elde edebilecek. Performans tarafında HBM4E, 16 Gbps pin hızıyla HBM4’e göre yaklaşık %37 daha hızlı veri aktarımını mümkün kılıyor ve toplam bellek bant genişliğini 4 TB/s düzeyine taşıyor.
HBM4 teknolojisinin bu yıl Nvidia Rubin ve AMD MI400 serisi yapay zeka hızlandırıcılarında kullanılması beklenirken, SK Hynix’in tanıttığı HBM4E’nin ilk ticari alanlarından biri Nvidia Rubin Ultra ailesi olacak gibi görünüyor.
HBM benzeri NAND teknolojisi olarak adlandırılan yeni bir yaklaşım da geliştiriliyor. AI-N B olarak adlandırılan bu yeni NAND mimarisinde birden çok NAND kalıbı, TSV (Through-Silicon Via) bağlantıları aracılığıyla üst üste istiflenerek depolama ile bellek arasındaki performans farkını kapatmayı amaçlıyor. Böylelikle yüksek kapasiteyi korurken hızlı veri aktarımını da sürdürmek mümkün olacak.
96 GB LPCAMM2 ve V9 NAND de fuarda dikkat çekti. 1 nm üretim teknolojisiyle üretilen LPCAMM2 modülü, 96 GB kapasiteye sahip ve LPDDR5X tabanlı bir standartla 9,6 Gbps’ye kadar veri aktarım hızlarına imza atıyor; yıl içindeki piyasaya sürülmesi bekleniyor. Depolama tarafında ise V9 NAND tabanlı çözümler, QLC ve TLC sürümleriyle 2 TB kapasiteye kadar ulaşabiliyor. Enerji verimliliğini ön planda tutan bu SSD’ler, DRAM önbelleği kullanmıyor ve özellikle küçük form faktörlü sistemler için uygunluk gösteriyor.
