Inovasi MIT: Limbah Panas Elektronik Jadi Sumber Tenaga Komputasi Akurat

Tim insinyur dari Massachusetts Institute of Technology (MIT) berhasil menciptakan perangkat mikroskopis yang mampu melakukan perhitungan matematis untuk pembelajaran mesin (machine learning) hanya dengan memanfaatkan panas yang sudah ada dalam perangkat elektronik. Inovasi ini diklaim mencapai akurasi lebih dari 99% dalam simulasi.

Penelitian yang dipublikasikan dalam jurnal Physical Review Applied pada 8 Februari 2026 ini, mengungkapkan struktur silikon mikroskopis yang dapat melakukan perhitungan matematis menggunakan panas, bukan listrik. Penemuan ini mengubah limbah panas, yang seringkali dianggap sebagai gangguan, menjadi sumber daya komputasi.

Tim peneliti, yang terdiri dari mahasiswa sarjana Caio Silva dan ilmuwan peneliti Giuseppe Romano, menggunakan teknik yang disebut desain invers. Melalui metode ini, fungsionalitas yang diinginkan dimasukkan ke dalam sistem perangkat lunak, kemudian algoritma menghasilkan geometri silikon kompleks yang dipenuhi pori-pori, kira-kira seukuran partikel debu.

Struktur ini dirancang untuk memandu aliran panas guna melakukan perkalian vektor matriks, yaitu matematika fundamental di balik model pembelajaran mesin seperti Large Language Models (LLMs). Catatan Mureks menunjukkan, akurasi yang dicapai dalam simulasi melebihi 99%.

“Seringkali, ketika Anda melakukan komputasi di perangkat elektronik, panas adalah produk limbah. Anda sering ingin menghilangkan panas sebanyak mungkin. Tetapi di sini, kami mengambil pendekatan sebaliknya dengan menggunakan panas sebagai bentuk informasi itu sendiri dan menunjukkan bahwa komputasi dengan panas adalah mungkin,” ujar Caio Silva, penulis utama makalah tersebut.

Untuk mengatasi batasan fisik bahwa panas hanya mengalir dari area panas ke dingin, tim membagi matriks target menjadi komponen positif dan negatif, memprosesnya melalui struktur terpisah. Mereka juga menyesuaikan ketebalan silikon untuk mengontrol konduksi panas dengan lebih tepat.

Meskipun teknologi ini masih menghadapi tantangan terkait bandwidth dan skalabilitas untuk tugas pembelajaran mendalam yang kompleks, potensi langsungnya terlihat dalam manajemen termal. Struktur ini dapat secara otonom mendeteksi panas berlebih atau gradien suhu dalam elektronik tanpa memerlukan daya eksternal atau sensor digital. Ke depan, tim berencana mengembangkan struktur yang dapat diprogram untuk operasi sekuensial.