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

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

AI dalam reka bentuk analog/mixed-signal (A/MS IC) boleh buang kerja ulangan, percepat verifikasi dan kuatkan smart factory dalam sektor E&E Malaysia.

AI reka bentuk cipanalog mixed-signalsmart factoryEDA berasaskan AIpembuatan semikonduktor Malaysia
Share:

AI Dalam Rekabentuk Analog/Mixed-Signal: Hype Atau Produktiviti Sebenar?

Dalam beberapa tahun ini, syarikat seperti Intel dan Infineon di Malaysia melaporkan peningkatan produktiviti reka bentuk dan operasi sehingga puluhan peratus bila mula guna AI, bukan saja di kilang malah dalam fasa reka bentuk cip. Ramai bercakap tentang smart factory, tetapi ramai terlepas satu lagi zon “emas” untuk AI: reka bentuk analog dan mixed-signal (A/MS IC) itu sendiri.

Di sinilah banyak masa jurutera Malaysia di Bayan Lepas, Kulim, Senai sebenarnya “terbakar”: semak spesifikasi beratus muka surat, ulang simulasi, tweak parameter, tulis dokumentasi yang tak pernah cukup lengkap. Soalan sebenar bukan sama ada AI itu hebat atau tidak, tetapi masalah mana yang patut kita serahkan kepada AI, dan mana yang kita kekalkan pada manusia?

Artikel ini huraikan empat bidang utama di mana AI sudah mula mengubah cara A/MS IC direka: analisis keperluan, model pemangkin (surrogate models), verifikasi, dan dokumentasi. Saya juga kaitkan terus dengan realiti sektor E&E Malaysia – dari reka bentuk IC automotif hingga operasi kilang semikonduktor.

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

AI dalam reka bentuk A/MS IC bukan sekadar trend; ia berkait terus dengan kecekapan pembuatan elektronik, automotif dan semikonduktor.

Mengapa ia patut ambil perhatian pengeluar di Malaysia:

  • Reka bentuk analog dan mixed-signal adalah “bottle-neck” masa ke pasaran, terutamanya untuk sensor automotif, power management IC, RF front-end dan cip untuk peralatan perindustrian.
  • Setiap minggu kelewatan pada fasa reka bentuk dan verifikasi boleh bermaksud berbulan-bulan kelewatan di kilang, termasuk rescheduling line, stok bahan mentah dan kontrak pelanggan.
  • AI yang membantu jurutera reka bentuk menghasilkan spesifikasi lebih jelas, model lebih tepat dan verifikasi lebih awal secara langsung mengurangkan risiko re-spin dan scrap di peringkat pembuatan.

Dalam konteks siri "AI in Manufacturing (Electronics, Automotive, Semiconductor)", AI di peringkat reka bentuk sebenarnya melengkapkan apa yang sudah berlaku di lantai kilang: jika kilang sudah pintar, tapi reka bentuk masih manual dan lambat, rantaian nilai tetap tersekat.

2. Analisis Keperluan: LLM Sebagai “Jurutera Junior” Yang Tak Penat

Penggunaan AI paling cepat memberi kesan dalam A/MS IC hari ini ialah pada peringkat awal: analisis keperluan dan spesifikasi.

Dalam projek sebenar, spesifikasi sistem boleh mencecah ratusan muka surat – campuran standard automotif, syarat pelanggan OEM, nota dalaman, dan constraint pembuatan. Ramai jurutera hanya sempat baca bahagian yang paling dekat dengan domain mereka, lalu:

  • Berlaku percanggahan (satu bahagian minta 1.8 V, bahagian lain minta 3.3 V)
  • Ada keperluan kritikal yang terlepas (contoh syarat ISO 26262 pada mode tertentu)
  • Berlakunya “assumption” yang tak pernah didokumen

Bagaimana AI membantu:

  • LLM boleh “mencerna” keseluruhan spesifikasi dan menanda:
    • Percanggahan nombor, had dan terminologi
    • Keperluan yang berulang atau bertindih
    • Bahagian yang nampak longgar atau tidak lengkap
  • AI boleh hasilkan ringkasan berbeza ikut peranan: ringkasan untuk jurutera analog, untuk verification engineer, untuk pasukan sistem.
  • Dalam organisasi besar, AI boleh semak konsistensi antara projek: spesifikasi baru vs produk generasi lepas.

Di Malaysia, di mana banyak pasukan design bekerjasama merentas negara (contoh team sistem di Eropah, team design di Kulim), LLM boleh bertindak sebagai jurutera junior yang kerja 24/7 hanya untuk cari kecacatan logik dalam dokumen. Manusia masih buat keputusan, tapi AI potong 30–50% masa “mencari jarum dalam jerami”.

Tip praktikal untuk pasukan reka bentuk:

  • Standardkan format spesifikasi (section, jadual, unit) supaya AI lebih mudah mengesan isu.
  • Latih model AI dalaman dengan istilah dan gaya dokumentasi syarikat.
  • Jadikan AI review sebagai langkah tetap dalam proses sign-off spesifikasi.

3. Model Pemangkin (Surrogate Models): Dari Heuristik Ke Reka Bentuk Berasaskan Data

Dalam A/MS IC, model ialah “jambatan” antara idea dan realiti silikon. Masalahnya, model yang betul-betul tepat dan pantas selalunya ambil masa lama untuk dibina secara manual.

Kebanyakan jurutera analog berpengalaman guna heuristik dan “rule-of-thumb”. Mereka terus lompat ke “sizing” transistor dan litar, kemudian ulang simulasi berkali-kali. Ia berfungsi, tetapi tidak skala bila:

  • Sistem jadi sangat kompleks (contoh SOC automotif dengan puluhan blok analog)
  • Node proses semakin halus dan lebih sensitif kepada variasi
  • Jadual projek semakin ketat

Di sinilah neural network dan teknik ML lain bertindak sebagai surrogate models.

Apa itu model pemangkin dalam konteks ini?

Ringkasnya: model AI yang menghampiri tingkah laku sistem/litar berdasarkan data simulasi atau data pengukuran, tetapi jauh lebih pantas untuk dievaluasi.

Contoh penggunaan untuk pengeluar semikonduktor di Malaysia:

  • Untuk modul power management IC, AI belajar daripada ribuan kombinasi beban, suhu dan voltan masuk. Bila jurutera nak optimakan kecekapan atau ripple, mereka boleh guna model AI untuk teroka ruang reka bentuk dengan cepat sebelum buat simulasi SPICE penuh.
  • Untuk sensor automotif (contoh pressure sensor, current sensor), AI memodelkan hubungan antara parameter litar, variasi proses dan output sistem. Ini bantu cari set parameter optimum lebih awal.

Peranan jurutera berubah, tapi tidak hilang:

  • Fokus kepada pemilihan parameter penting untuk dipelajari oleh model
  • Susun strategi sampling (Design of Experiments) untuk hasilkan data latihan yang bermakna
  • Tentukan batas penggunaan model (range voltan, suhu, frekuensi yang sah)

Pendekatan ini sejajar dengan matlamat kilang pintar: gunakan data sebanyak mungkin untuk buat keputusan reka bentuk yang lebih baik, bukan sekadar bergantung kepada trial-and-error.

4. Verifikasi A/MS: AI Mempercepat “Daripada Litar Ke Produk”

Dalam banyak organisasi, verifikasi sistem hanya betul-betul agresif selepas reka bentuk hampir siap. Dengan tekanan kitaran produk yang makin ketat – contohnya untuk EV, modul kuasa, IC pengecasan pantas – pendekatan ini makin berisiko.

Isunya di sini jelas:

  • Verifikasi A/MS merangkumi pelbagai tahap: semakan peraturan reka bentuk, ujian blok individu, ujian integrasi sistem.
  • Model yang digunakan untuk verifikasi sistem perlu pantas dan mewakili implementasi sebenar dengan cukup tepat.

AI boleh bantu di beberapa titik penting:

  1. Menjana model blok secara automatik
    Daripada bersandar kepada manual coding model behavioral (contoh Verilog-AMS), sistem AI boleh membaca skematik atau netlist dan:

    • Menjana model aras tinggi dengan parameter yang bersesuaian
    • Mengemaskini model bila jurutera mengubah topologi atau nilai komponen

  2. Mencari skenario tepi (corner cases) yang berbahaya
    ML boleh belajar daripada simulasi lepas untuk mengesan kombinasi input, keadaan beban dan suhu yang cenderung mengundang kegagalan – contohnya osilasi, overshoot voltan, atau timing fail.

  3. Memantau liputan verifikasi
    Seperti di dunia digital, AI boleh analisis set ujian analog/mixed-signal dan menyarankan kawasan operating yang masih belum diuji.

Bagi kilang semikonduktor di Malaysia, setiap isu yang terlepas ke peringkat produksi bermaksud:

  • Yield turun
  • Kos rework dan re-spin meningkat
  • Reputasi dengan OEM automotif atau pelanggan global terjejas

Dengan AI mempercepat dan memperluas verifikasi semasa fasa reka bentuk, kilang mendapat produk yang lebih matang sebelum mask dibuat – satu faktor penting dalam strategi “AI in Manufacturing” yang menyeluruh.

5. Dokumentasi & Perkongsian Ilmu: Kerja Paling Membosankan Yang Paling Berbaloi Diautomasi

Hampir semua jurutera saya jumpa mengaku: mereka suka reka bentuk, tapi tak minat tulis dokumentasi. Malangnya, tanpa dokumentasi yang baik:

  • Projek generasi seterusnya terpaksa ulang banyak kerja lama
  • Jurutera baru sukar “ramp up” ke produktiviti penuh
  • Pengetahuan kritikal melekat pada beberapa orang senior sahaja

Di sinilah AI boleh jadi pembantu yang sangat praktikal.

Gaya kerja baharu: AI “menjenguk dari belakang bahu”

Bayangkan persekitaran EDA di mana AI:

  • Perhatikan perubahan skematik, parameter, setup simulasi
  • Tanya soalan pendek bila ada keputusan besar:
    “Anda tukar compensation network di amplifier ini – kenapa? Untuk stabiliti suhu? Untuk margin phase?”
  • Terus menyimpan jawapan, graf utama dan versi skematik dalam bentuk dokumentasi berstruktur.

Hasilnya:

  • Dokumentasi blok dan sistem terhasil serentak dengan kerja reka bentuk, bukan di hujung projek bila semua orang sibuk.
  • Dokumen lebih kaya: ada rasional keputusan, bukan sekadar hasil akhir.
  • Data yang terkumpul boleh digunakan untuk cadangan reka guna semula (reuse) pada projek lain.

Untuk syarikat multinasional di Malaysia, ini membuka laluan kepada “AI knowledge base” dalaman:

  • AI boleh mencadangkan blok yang pernah digunakan di projek lama yang serupa
  • AI boleh senaraikan siapa pakar dalaman untuk isu tertentu
  • AI membantu standardkan gaya dokumentasi antara site (contoh Penang, Munich, Austin)

Ini bukan sekadar jimat masa – ia terus menyokong objektif besar industri: membina organisasi reka bentuk dan pembuatan yang tahan perubahan (resilient) walaupun berlaku pertukaran staf atau pengembangan cepat.

6. Dari “Buzzword” Ke Strategi: Cara Bijak Mengadopsi AI Dalam Reka Bentuk & Kilang

Ramai organisasi buat kesilapan yang sama: beli alat AI, harap magik berlaku. Realitinya, kejayaan AI bergantung pada pemilihan masalah dan disiplin proses.

Berikut pendekatan yang saya lihat lebih berkesan untuk konteks Malaysia:

  1. Pilih masalah yang betul dulu
    Fokus kepada tugas yang:

    • Berulang dan makan masa (analisis spesifikasi, semak dokumen, setup simulasi)
    • Berisiko tinggi bila tersilap (verifikasi keselamatan, functional safety)
    • Digeruni jurutera (dokumentasi, pengurusan versi model)

  2. Sambungkan reka bentuk dengan pembuatan
    Jangan lihat AI reka bentuk dan AI kilang sebagai projek berasingan. Misalnya:

    • Data variasi proses daripada kilang digunakan untuk latih model pemangkin yang lebih realistik.
    • Data field return dan kegagalan production digunakan untuk ubah prioriti verifikasi reka bentuk.

  3. Bina governance dan standard dalaman

    • Tetapkan bila model AI boleh digunakan untuk buat keputusan, dan bila manusia wajib menyemak.
    • Simpan semua “keputusan AI” dan data latihan untuk audit, terutamanya untuk aplikasi automotif dan perubatan.

  4. Pelaburan pada kemahiran, bukan alat sahaja
    Jurutera analog yang faham asas ML/AI, dan data scientist yang faham asas IC design, jauh lebih bernilai berbanding dua dunia yang berasingan.

Bila pendekatan ini digabungkan, AI berhenti jadi slogan marketing, dan mula jadi tool produktif dalam rantaian penuh: daripada reka bentuk A/MS IC, ke verifikasi, ke pembuatan di kilang, sehinggalah ke pemantauan dalam lapangan.

Penutup: Masa Untuk Malaysia Gabungkan AI Dalam Reka Bentuk & Kilang

AI dalam reka bentuk A/MS IC bukan cerita masa depan lagi. Ia sudah digunakan untuk:

  • Menapis spesifikasi kompleks dengan lebih pantas dan konsisten
  • Membina model pemangkin yang mempercepat pusingan reka bentuk
  • Menguatkan verifikasi supaya produk sampai ke kilang dalam keadaan lebih matang
  • Mengautomasikan dokumentasi dan perkongsian ilmu jurutera

Untuk Malaysia yang sedang menolak kuat agenda AI dalam pembuatan elektronik, automotif dan semikonduktor, langkah seterusnya agak jelas: satukan inisiatif AI kilang dengan inisiatif AI reka bentuk.

Jika anda mengurus pusat reka bentuk, kilang semikonduktor, atau divisyen R&D di sektor E&E, ini masa yang baik untuk tanya diri:

Bahagian mana dalam aliran reka bentuk A/MS IC anda yang paling lambat, paling berisiko – dan paling sesuai diserahkan kepada AI dalam 6–12 bulan akan datang?

Jawapan jujur kepada soalan itu selalunya jadi tempat terbaik untuk bermula.