AI Dalam Rekabentuk A/MS IC: Dari Hype Ke Produktiviti

AI dalam Pembuatan (Elektronik, Automotif, Semikonduktor)••By 3L3C

AI dalam rekabentuk IC analog/mixed-signal boleh kurangkan iterasi, percepat verifikasi dan kuatkan rantaian bekalan semikonduktor Malaysia, jika disasar pada tugas yang tepat.

AI dalam rekabentuk ICanalog mixed-signalEDA berasaskan AIsemikonduktor Malaysiasmart factoryautomotif elektronikverifikasi IC
Share:

AI Dalam Rekabentuk A/MS IC: Dari Hype Ke Produktiviti

Ramai pengurus kilang E&E di Malaysia dah nampak benda yang sama: tuntutan pelanggan naik, kitaran produk makin pendek, tapi pasukan rekabentuk IC analog/mixed-signal masih guna flow yang hampir sama macam 10–15 tahun lepas. Hasilnya, lebih banyak OT, lebih banyak “last minute fix”, dan risiko kelewatan SOP di kilang Penang atau Kulim.

Saya berpendapat satu punca besar ialah kita bercakap tentang AI di kilang — visi mesin, robotik, predictive maintenance — tapi kita jarang sentuh satu lapisan yang lebih awal: AI dalam rekabentuk IC analog/mixed-signal (A/MS) yang sebenarnya membekalkan otak kepada smart factory itu sendiri.

Artikel ini mengupas secara praktikal: di mana AI betul‑betul boleh bantu rekabentuk A/MS IC, di mana ia cuma buzzword, dan apa makna semua ini untuk ekosistem pembuatan elektronik, automotif dan semikonduktor Malaysia.

Kenapa AI Dalam Rekabentuk A/MS IC Penting Untuk Kilang Malaysia

AI dalam rekabentuk A/MS IC bukan trend akademik semata‑mata. Ia berkait terus dengan KPI kilang:

  • Masa-ke-pasaran (time‑to‑market) untuk modul automotive power, sensor, dan IC industrial control.
  • Hasil (yield) dan kebolehpercayaan pada line produk yang menyokong automotif dan peralatan perubatan.
  • Kebolehulangan rekabentuk di antara pasukan design di Malaysia, Eropah dan US dalam rangkaian syarikat MNC.

Bila rekabentuk analog lambat divalidasi, semua orang di bawah rantaian nilai akan rasa:

  • SOP kilang debug lewat.
  • Program automasi kilang (robotic handling, inspection, test) terpaksa tukar parameter berulang kali.
  • Pelanggan OEM automotif mula tanya, “Bila sample berikutnya?”

Di sinilah AI boleh jadi pemangkin produktiviti — bukan ganti jurutera, tapi mengurangkan kerja ulangan yang memenatkan.

Empat Kawasan Kritikal Di Mana AI Betul‑Betul Membantu A/MS IC

Mengikut kerangka V‑model pembangunan sistem, ada empat jenis tugasan A/MS di mana AI memang masuk akal:

  1. Analisis keperluan dan spesifikasi
  2. Model gantian (surrogate models) berasaskan rangkaian neural
  3. Verifikasi pantas dan meluas
  4. Carian dan dokumentasi rekabentuk

Keempat‑empat ini berkait tepat dengan masalah yang banyak syarikat Malaysia sedang hadapi: kompleksiti naik, tapi staf berpengalaman tidak bertambah secepat itu.

1. Analisis Keperluan: LLM Sebagai “Penapis Logik” Spesifikasi

Realiti projek besar — terutama untuk pelanggan automotif — ialah spesifikasi boleh mencecah ratusan muka surat. Dokumen pelanggan, standard ISO, dokumen dalaman… bercampur.

Apa yang AI (khususnya LLM) boleh buat dengan baik hari ini:

  • Mencari percanggahan (contoh: satu seksyen minta 3.3V, seksyen lain 5V).
  • Mengenal pasti pengulangan dan bahagian yang tak konsisten.
  • Menandakan kekosongan keperluan — contohnya, suhu operasi tak disebut untuk sesetengah mode.

Bayangkan flow tipikal di pusat design di Penang:

  • Jurutera masukkan dokumen keperluan ke dalam sistem dalaman berasaskan AI.
  • AI jana ringkasan berstruktur: senarai fungsi, had operasi, matrix mode‑fungsi.
  • AI highlight 10–20 isu logik yang patut dibincang dalam design review pertama.

Manfaat terus kepada kilang Malaysia:

  • Kurang risiko perubahan spesifikasi pada fasa lewat, yang selalunya menyebabkan re‑spin mask mahal dan ganggu jadual produksi.
  • Komunikasi lebih jelas antara pasukan design (Malaysia), pasukan sistem (Jepun/Europe) dan pasukan kilang.

Yang penting, AI tidak menggantikan judgement jurutera. Ia cuma jadi mesin yang mencari jarum dalam jerami.

2. Surrogate Models: Neural Network Ganti Model Manual Yang Lambat

Dalam rekabentuk A/MS, jurutera selalunya terus lompat ke level transistor kerana:

  • Tekanan masa.
  • Model sistem peringkat tinggi ambil masa lama untuk dibina secara manual.

Masalahnya, bila sistem kompleks (contoh: PMIC multi‑output untuk EV, atau front‑end sensor untuk robotik kilang), pendekatan “try & error” di level transistor akan:

  • Lambat.
  • Menyebabkan banyak iterasi tidak produktif.

Di sinilah konsep surrogate model berasaskan AI beri beza besar.

Bagaimana ia bekerja secara ringkas:

  1. Jalankan set terhad simulasi terperinci (SPICE, Spectre dan seumpamanya).
  2. Guna data input‑output ini untuk melatih rangkaian neural.
  3. Rangkaian neural ini kemudian bertindak sebagai model cepat yang meniru tingkah laku blok analog tanpa perlu simulasi penuh setiap kali.

Kesan kepada pasukan reka bentuk di Malaysia:

  • Boleh jalankan optimumkan awal sistem (contoh: loop stability, efficiency vs. area) beratus kali sehari, bukan beberapa kali seminggu.
  • Boleh buat what‑if analysis untuk pelbagai variasi proses yang berkait dengan yield kilang, sebelum wafer pertama pun diputarkan.

Daripada perspektif smart factory, IC yang direkabentuk dengan pendekatan model awal yang kukuh biasanya:

  • Lebih mudah dikawal pada line ujian automatik.
  • Kurang isu “corner abnormal” yang susah direproduce dalam kilang.

3. Verifikasi: AI Sebagai “Enjin Model & Ujian” Semasa Design Masih Berjalan

Selalunya verifikasi penuh sistem analog/mixed‑signal hanya bermula selepas design hampir siap. Untuk projek yang kena ikut jadual OEM automotif global, cara ini memang berisiko.

Tekanan pasaran sekarang memaksa verifikasi berlaku secara berterusan sepanjang fasa design.

AI boleh membantu di dua sudut utama:

a) Penjanaan & Penambahbaikan Model Komponen

Daripada jurutera perlu tulis model tingkah laku (behavioral model) secara manual untuk setiap blok:

  • AI boleh menjana model awal daripada netlist atau daripada data simulasi.
  • AI boleh menala model untuk padankan measurement atau simulasi terbaru.

Ini bawa dua manfaat:

  • Simulasi sistem jadi jauh lebih laju, jadi banyak senario operasi kilang (power sequencing, brown‑out, ESD event) boleh diuji lebih awal.
  • Model lebih selari dengan implementasi terkini, kurangkan jurang antara “model cantik” dan “litar sebenar”.

b) Skop Ujian Lebih Luas, Dengan Usaha Manual Lebih Rendah

AI juga boleh membantu menjana set stimuli yang:

  • Mencakup lebih banyak kombinasi input.
  • Fokus ke kawasan risiko tinggi (contoh: suhu tinggi + voltage rendah) berdasarkan sejarah kegagalan projek lepas.

Untuk kilang Malaysia yang bergerak ke arah automotive grade dan industrial 4.0, kemampuan verifikasi awal sebegini bermakna:

  • Kurang kejutan ketika characterization di lab atau masa bring‑up di line produksi.
  • Lebih senang dapat pensijilan dan audit pelanggan global.

4. Dokumentasi & Carian Pengetahuan: Dari “Pain” Kepada Aset Syarikat

Hampir semua jurutera setuju: dokumentasi adalah kerja paling kurang menarik, tapi paling dirindui bila orang kunci projek pindah syarikat.

AI memberi cara lebih bijak untuk menjadikan dokumentasi automatik dan bernilai tinggi.

Bayangkan satu design assistant berasaskan AI yang:

  • “Melihat” perubahan schematic, netlist, commit Git, dan hasil simulasi.
  • Sekali‑sekala tanya soalan ringkas seperti:
    • “Kenapa tukar topology dari folded cascode ke telescopic?”
    • “Kenapa rating ESD dinaikkan dari 1kV ke 2kV?”
  • Menyimpan jawapan dan perubahan itu sebagai naratif rekabentuk.

Hasilnya untuk organisasi:

  • Dokumentasi terhasil serentak dengan kerja design, bukan secara paksa di akhir projek.
  • Maklumat mudah dicari semula oleh jurutera baru di Kulim atau Melaka bila produk masuk fasa refresh.
  • Sistem sama boleh mencari reuse block sedia ada dalam syarikat bila projek baru bermula.

Dari sudut pengurusan:

  • Kurang risiko “single point of failure” bila pakar utama bersara atau berhijrah.
  • Pengetahuan reka bentuk menjadi aset struktur, bukan sekadar ilmu dalam kepala beberapa orang senior.

Menghubungkan AI A/MS Design Dengan Smart Factory & Robotik Malaysia

Bagaimana semua perkara di atas menyentuh dunia sebenar kilang elektronik, automotif dan semikonduktor di Malaysia?

1. Rantaian Nilai Dari Rekabentuk Ke Kilang

Bila IC analog/mixed‑signal — contohnya sensor arus, driver motor, atau PMIC untuk robotik line produksi — direkabentuk dengan bantuan AI:

  • Variasi prestasi lebih difahami awal, jadi guardband proses dan tetapan ujian boleh dirancang dengan lebih tepat.
  • Data model boleh terus dipakai oleh pasukan proses & test untuk bina recipe awal ATE atau parameter SPC.

Ini terus menyokong matlamat nasional untuk mengukuhkan rantaian bekalan semikonduktor: kurang kebergantungan kepada design centre luar negara untuk debug lewat, lebih banyak keupayaan penyelesaian di Malaysia.

2. Keserasian Dengan Pelaburan MNC Besar

Syarikat seperti Intel, Infineon, dan pemain OSAT di Malaysia sedang melabur besar dalam:

  • Smart factory.
  • AI untuk kawalan proses.
  • Automasi rantaian bekalan.

AI dalam rekabentuk A/MS IC adalah lapisan pelengkap:

  • EDA yang dipacu AI bermakna produk baru boleh masuk ke line Malaysia lebih cepat kerana design loop lebih pendek.
  • Kualiti model yang lebih baik memudahkan integrasi dengan sistem digital twin kilang.

Pendek kata, bila design flow naik tahap, ROI untuk pelaburan AI di kilang juga naik — sebab produk yang masuk ke line lebih stabil dan lebih boleh diramal.

3. Menyokong Visi Malaysia Sebagai Hab E&E Pintar Serantau

Malaysia mahu menjadi hab E&E dan semikonduktor ASEAN, bukan sekadar tapak pemasangan. Itu bermaksud:

  • Lebih banyak aktiviti R&D dan rekabentuk dijalankan di sini.
  • Lebih ramai jurutera analog/mixed‑signal tempatan menjadi pemilik IP global.

Mengguna AI dalam rekabentuk A/MS IC ialah cara praktikal untuk:

  • Tingkatkan produktiviti jurutera muda.
  • Kurangkan jurang kecekapan dengan pasukan design di negara maju.
  • Bina kelebihan daya saing yang sukar ditiru pesaing serantau.

Di Mana AI Masih Hype, Dan Di Mana Ia Sudah Sedia Pakai

Saya agak skeptikal bila dengar janji “AI akan auto‑design keseluruhan litar analog”. Realitinya:

  • Rekabentuk A/MS masih perlukan intuisi dan pengalaman manusia.
  • Keputusan kritikal — trade‑off noise, linearity, reliability — sukar diganti algoritma semata‑mata.

Tetapi ada beberapa perkara yang sudah masak untuk guna AI hari ini:

  • Semakan awal dokumen keperluan dan spesifikasi.
  • Penjanaan model tingkah laku dan surrogate untuk blok analog.
  • Bantuan dokumentasi dan carian IP dalaman.

Yang belum matang (tapi patut dipantau):

  • Penuhkan synthesis litar analog daripada spesifikasi tinggi.
  • Auto‑routing analog layout dengan tahap kualiti jurutera pakar.

Sesiapa yang menjanjikan 100% automasi dalam 1–2 tahun biasanya oversell. Pendekatan lebih realistik ialah fokus pada submasalah yang kompleks, berulang, dan berisiko tinggi, dan masukkan AI di situ dahulu.

Langkah Praktikal Untuk Syarikat E&E & Semikonduktor Di Malaysia

Bagi pengurus dan ketua teknikal yang mahu mula, ada tiga langkah praktikal yang saya nampak berkesan:

  1. Pilih satu flow kecil sebagai “pilot”
    Contoh: guna LLM untuk semak spesifikasi pelanggan dalam satu projek automotive sensor, atau guna surrogate model AI untuk satu blok PMIC yang kritikal.

  2. Bentukkan pasukan kecil “AI+EDA” rentas fungsi
    Sertakan jurutera analog, digital, dan IT/infra. Tujuannya bukan bina model tersendiri dari kosong, tetapi integrasi alat AI sedia ada ke dalam aliran EDA syarikat.

  3. Jadikan dokumentasi & reuse sebagai KPI sebenar
    Guna AI untuk bantu bina dokumentasi semasa projek berjalan. Ukur berapa banyak IP yang berjaya di‑reuse dalam projek seterusnya.

Bila hasil pilot sudah jelas (contoh: masa verifikasi turun 30%, atau bilangan bug spesifikasi lewat berkurang separuh), barulah masuk fasa skala ke lebih banyak projek dan tapak kilang.

Penutup: Dari Buzzword Ke Keuntungan Nyata Di Lini Pengeluaran

AI dalam rekabentuk A/MS IC bukan magik, tapi ia juga jauh daripada sekadar gimik pemasaran. Bila diaplikasikan pada tugasan yang tepat — analisis keperluan, surrogate modeling, verifikasi, dokumentasi — ia membebaskan jurutera untuk fokus pada keputusan rekabentuk yang betul‑betul bernilai.

Untuk Malaysia yang sedang memperkukuh kedudukan dalam AI in Manufacturing (Electronics, Automotive, Semiconductor), lapisan design ini adalah asas senyap yang menentukan seberapa pantas dan stabil produk baru boleh mengalir ke smart factory di Bayan Lepas, Kulim, Senai atau Batu Kawan.

Syarikat yang mula bereksperimen dengan AI dalam A/MS design hari ini akan mempunyai kelebihan jelas beberapa tahun lagi: masa‑ke‑pasaran lebih pendek, rantaian bekalan lebih licin, dan pasukan jurutera yang lebih produktif tanpa perlu gandakan bilangan kepala.

Persoalannya sekarang bukan lagi “perlukah kita guna AI dalam rekabentuk A/MS?”, tetapi “di bahagian mana dalam flow sedia ada kita boleh dapat pulangan paling cepat daripada AI?”. Dan jawapan untuk setiap organisasi mungkin berbeza — tetapi menangguhkannya terlalu lama hanya memberi ruang kepada pesaing untuk mendahului.