AI dalam reka bentuk IC analog/mixed-signal bukan sekadar hype. Begini cara ia benar-benar naikkan produktiviti dan sokong smart factory di sektor E&E Malaysia.
AI dalam reka bentuk IC analog/mixed-signal: hype atau nilai sebenar?
Dalam tiga tahun terakhir, hampir setiap kilang elektronik di Pulau Pinang dan Kulim Hi-Tech Park ada projek "AI" yang berjalan. Tapi bila tanya jurutera reka bentuk IC analog/mixed-signal (A/MS), ramai mengeluh benda sama: jadual tape-out makin ketat, spesifikasi pelanggan makin ketat, pasukan tak bertambah.
Di sinilah isu sebenar muncul: adakah AI dalam reka bentuk IC A/MS sekadar buzzword untuk slaid pembentangan, atau betul-betul boleh naikkan produktiviti? Dan bagaimana ia berkait dengan sasaran besar Malaysia ke arah smart factory dan industri 4.0, khususnya dalam sektor elektronik, automotif dan semikonduktor?
Dalam artikel ini, saya akan kupas satu persatu di mana AI memang memberi impak praktikal dalam aliran reka bentuk A/MS – dari analisis keperluan, pemodelan, verifikasi, sampai dokumentasi – dan bagaimana syarikat di Malaysia boleh rangka pelan realistik, bukan sekadar POC yang tak pernah masuk produksi.
Di mana AI benar-benar masuk akal dalam reka bentuk A/MS
Jawapan ringkasnya: AI paling berbaloi bila digunakan pada tugas yang kompleks, berulang, terdedah kepada kesilapan manusia, dan memang memakan masa. Bukannya ganti jurutera analog, tetapi sebagai "co-pilot" dalam aliran EDA.
Jika kita guna kerangka V-model reka bentuk dan verifikasi, ada empat titik strategi di mana AI boleh beri pulangan yang jelas:
- Analisis keperluan dan spesifikasi
- Model pengganti (surrogate models) berasaskan AI
- Verifikasi pantas dan lebih menyeluruh
- Carian semula reka bentuk sedia ada dan dokumentasi automatik
Keempat-empat ini bukan teori semata. Kalau dihubungkan dengan konteks kilang elektronik dan semikonduktor di Malaysia – dari OSAT hinggalah pusat R&D – ia terus berkait dengan time-to-market, yield, dan kualiti produk akhir.
1. Analisis keperluan: AI sebagai “mesin cari jarum dalam jerami”
Dalam projek automotif, medical device atau power management untuk data center, spesifikasi sistem boleh mencecah ratusan mukasurat. Manusia boleh baca, tapi nak cari:
- kontradiksi antara bab,
- keperluan yang bertindih,
- bahagian yang langsung tak diterjemah kepada spesifikasi reka bentuk,
…itu yang selalu bocor sampai ke fasa lewat, dan akhirnya meletup sebagai issue di verifikasi atau, lebih teruk, di customer return.
Di sinilah LLM (large language model) memang kuat. Bukan sebab ia "bijak" macam manusia, tapi kerana ia:
- boleh imbas dokumen spesifikasi tebal dalam beberapa saat,
- menandakan bahagian yang nampak bercanggah,
- menyorot keperluan yang tak di-map kepada blok atau parameter reka bentuk,
- mencadangkan senarai soalan untuk dibawa ke design review.
Untuk pasukan reka bentuk IC di Bayan Lepas contohnya, aliran kerja realistik boleh jadi begini:
- Pelanggan hantar spesifikasi sistem untuk modul power management EV.
- AI assistant memproses dokumen: highlight konflik (contoh: suhu operasi berbeza antara dua seksyen), keperluan yang tak konsisten, atau nombor yang mencurigakan.
- Jurutera sistem semak cadangan AI, sahkan dan tambah konteks sebenar.
Kesan praktikal: bukannya buang masa dua minggu dalam e-mel berbalas-balas dengan pelanggan, pasukan sudah ada senarai isu kritikal dalam sehari. Bukan automasi penuh, tapi penapisan awal yang jimat masa pasukan senior.
2. Model pengganti: neural network sebagai "model pantas" untuk sistem kompleks
Dalam reka bentuk analog/mixed-signal tradisional, ramai jurutera lompat terus dari spesifikasi ke schematic, bergantung pada pengalaman dan rule-of-thumb. Untuk blok ringkas, itu ok. Tapi bila masuk:
- sistem power management multi-rail,
- ADC/DAC berketepatan tinggi untuk automotif,
- RF front-end untuk IoT,
tanpa model sistem yang baik, pasukan akan tersangkut dalam iterasi yang panjang dan mahal.
Masalahnya: pemodelan fizik terperinci (SPICE + model sistem) di awal projek mengambil masa dan orang yang sangat berpengalaman. Dari sudut bisnes, pengurus kadang-kadang rasa ia "tak sempat" walaupun sebenarnya ia menjimatkan masa di hujung.
Di sinilah model pengganti berasaskan AI mula masuk
Neural network dan teknik surrogate modelling membolehkan:
- bina model kelakuan blok analog atau subsistem berdasarkan data simulasi/ukur,
- dapatkan model yang cukup tepat untuk eksplorasi seni bina dan optimasi awal,
- tanpa jurutera perlu tulis persamaan kompleks satu per satu.
Contoh praktikal dalam konteks Malaysia:
- Pasukan di sebuah MNC di Penang mahu mereka bentuk semula modul DC-DC converter untuk aplikasi automotif.
- Mereka jana ribuan titik data daripada simulasi SPICE (berbeza beban, suhu, variasi proses).
- Data ini digunakan untuk latih model neural network yang meramal efisiensi, ripple, dan kestabilan untuk kombinasi parameter reka bentuk.
- Jurutera kemudian guna model ini untuk meneroka ruang reka bentuk dengan cepat – ratusan kombinasi dalam beberapa minit, bukan hari.
Peranan AI di sini bukan "design the circuit" tetapi jadi enjin eksplorasi pantas. Jurutera masih tentukan seni bina optimum, tapi mereka dapat gambaran trade-off (area vs efisiensi vs EMI) jauh lebih awal.
3. Verifikasi: daripada “akhir aliran” kepada aktiviti sepanjang reka bentuk
Realiti di kilang semikonduktor: masa tape-out tak menunggu sesiapa. Bila projek lambat di fasa reka bentuk, verifikasi selalunya jadi mangsa – test plan dipendekkan, regression dikurangkan, corner tak sempat jalan.
Itu sebab kita nampak:
- bug analog yang hanya muncul di suhu tertentu,
- interaksi pelik antara blok digital dan analog,
- isu noise atau jitter yang tak dijangka.
AI boleh mempercepat dua perkara utama dalam verifikasi A/MS
-
Penjanaan dan penambahbaikan model komponen untuk verifikasi sistem
Banyak pasukan tersekat kerana model blok analog terlalu lambat untuk simulasi sistem penuh. AI boleh bantu:- auto-bina model kelakuan (Verilog-A/AMS, model berasaskan lookup table atau NN) daripada netlist atau data simulasi,
- refine model secara berterusan bila reka bentuk berubah.
Hasilnya, sistem-level verification (contoh: SoC mixed-signal untuk aplikasi automotif) boleh berjalan lebih kerap, bukan hanya di fasa akhir.
-
Analitik keputusan verifikasi
Dengan ratusan simulasi corner dan monte carlo, manusia sukar nampak pola dengan cepat. Model ML boleh:- kesan kombinasi corner/proses yang paling berisiko,
- meramal di mana margin paling tipis,
- cadangkan subset simulasi tambahan yang paling bernilai.
Dalam konteks smart factory, apa yang berlaku di reka bentuk memberi kesan terus kepada kualiti di barisan SMT dan back-end. Reka bentuk yang diverifikasi dengan lebih baik bermaksud:
- kurang isu parametric failure di production test,
- kurang rework dan scrap,
- masa PPAP dan kelulusan pelanggan automotif lebih singkat.
4. Dokumentasi dan carian semula: bahagian yang semua orang tak suka, tapi semua orang perlukan
Jika ada satu perkara yang hampir semua jurutera IC setuju, ia adalah: dokumentasi selalunya tertinggal di belakang. Bukan sebab tak faham kepentingan, tapi kerana:
- jadual terlalu ketat,
- fokus diberi pada tape-out,
- orang senior berpindah projek atau syarikat, ilmu ikut hilang.
Dalam ekosistem seperti Malaysia, di mana ramai MNC mengembangkan pusat reka bentuk serantau, isu knowledge retention ini sangat kritikal.
Bagaimana sistem bantuan berasaskan AI boleh membantu
Bayangkan aliran kerja sebegini:
- Semasa jurutera mereka bentuk schematic dalam EDA tool, AI assistant "memerhati" aktiviti melalui API.
- Bila nampak perubahan besar (contoh: tukar topologi, adjust compensation network), ia muncul dengan pop-up ringkas:
- "Apa sebab utama perubahan ini?"
- "Apa risiko yang anda pertimbangkan?"
- Jawapan pendek jurutera (1–2 ayat) digabungkan dengan diff litar dan hasil simulasi, lalu disusun automatik sebagai:
- design rationale,
- sejarah versi,
- catatan risk & mitigation.
Pada masa sama, assistant ini bersambung ke pangkalan data dalaman syarikat:
- Ia mencari blok atau IP sedia ada yang hampir sama,
- menunjukkan siapa pernah mereka bentuk benda serupa,
- mencadangkan reuse berbanding reka bentuk dari kosong.
Di kilang dengan ratusan projek setahun, kesan praktikalnya:
- masa onboarding jurutera baru lebih cepat,
- isu berulang dapat dikesan kerana AI nampak pola dalam NPI dan field return,
- syarikat mula bina "memori organisasi" yang konsisten, bukan bergantung pada seorang dua pakar.
Implikasi kepada smart factory dan AI dalam pembuatan elektronik
Ada satu perkara ramai terlepas pandang: smart factory yang hebat bermula daripada reka bentuk yang pintar.
Bila reka bentuk IC A/MS dibuat dengan bantuan AI pada empat tahap tadi, kilang mendapat beberapa kelebihan yang terus menyokong inisiatif AI di peringkat pembuatan:
- Model yang lebih baik → lebih mudah hubungkan data design, data proses, dan data test dalam sistem analytics kilang.
- Dokumentasi yang kaya dan boleh dibaca mesin → sistem MES dan sistem AI quality boleh guna terus konteks reka bentuk untuk analisis root cause.
- Verifikasi lebih menyeluruh → kurang kejutan di production, memudahkan penggunaan AI untuk predictive maintenance dan yield optimization.
Contohnya, sebuah kilang semikonduktor di Kulim yang sudah guna AI untuk analisis wafer test boleh pergi lebih jauh jika model A/MS dari pasukan reka bentuk diserahkan sebagai artefak digital yang konsisten. Ini membolehkan:
- pemetaan fail corak parametric terus kepada blok reka bentuk,
- pembetulan proses yang lebih disasarkan,
- kerjasama dua hala antara design center dan kilang pengeluaran.
Dalam industri automotif, di mana Malaysia semakin aktif sebagai hab elektronik automotif, integrasi AI dari reka bentuk hingga pembuatan membantu syarikat mencapai standard seperti IATF 16949 dan keperluan OEM global dengan lebih yakin.
Cara praktikal untuk mula: fokus pada masalah, bukan teknologi
Banyak syarikat tersilap langkah kerana mula dengan soalan, "apa projek AI yang kita boleh buat tahun ini?". Soalan yang lebih sihat ialah, "di mana dalam aliran reka bentuk A/MS kita paling banyak rugi masa dan kualiti?"
Pendekatan praktikal yang saya cadangkan untuk pasukan di Malaysia:
-
Peta aliran reka bentuk A/MS sedia ada
- Kenal pasti titik sakit: revisi spesifikasi lewat, simulasi terlalu lama, verifikasi tak habis, dokumentasi kosong.
-
Pilih satu daripada empat kawasan AI tadi sebagai pilot
- Contoh: mula dengan analisis spesifikasi automatik untuk projek automotif baharu.
-
Pastikan ada "owner" dari pasukan reka bentuk, bukan hanya dari IT atau data
- AI tool tanpa juara dalaman jurutera akan jadi projek demo semata.
-
Ukur dengan metrik yang jelas
- masa dari spesifikasi ke sign-off seni bina,
- bilangan isu yang ditemui lewat di verifikasi,
- masa jurutera dihabiskan untuk dokumentasi manual.
-
Skalakan secara bertahap ke projek dan site lain
- Bila satu garis produk berjaya, baru bawa ke kilang atau pasukan lain.
Realitinya, kebanyakan MNC di Malaysia sudah ada akses kepada platform EDA yang memasukkan komponen AI. Soalannya bukan "ada tool atau tidak", tetapi bagaimana kita rangka aliran kerja dan budaya pasukan supaya AI menjadi sebahagian daripada cara kerja harian, bukan hanya feature yang diabaikan.
Menjadikan AI dalam reka bentuk A/MS sebagai kelebihan daya saing sebenar
AI dalam reka bentuk IC analog/mixed-signal bukan sihir dan bukan juga hype kosong. Nilai sebenar muncul bila syarikat:
- pilih masalah yang betul (kompleks, berulang, berisiko tinggi),
- gabungkan AI dengan disiplin reka bentuk yang mantap,
- sambungkan hasil reka bentuk kepada inisiatif smart factory dan AI di pembuatan.
Bagi ekosistem elektronik dan semikonduktor Malaysia, dari penjana IC hingga integrator automotif, ini adalah peluang untuk melompat ke hadapan, bukan sekadar ikut belakang pusat reka bentuk di negara lain.
Soalan yang patut dibincangkan dalam mesyuarat teknikal minggu ini bukan "perlu AI atau tidak", tetapi:
Di mana dalam aliran reka bentuk A/MS kita tahun 2026, AI wajib berada supaya pasukan kita boleh menyiapkan lebih banyak produk, dengan kualiti lebih tinggi, tanpa membakar pasukan sampai lewat malam setiap hari?
Bila jawapan kepada soalan itu jelas, barulah pelaburan AI dalam reka bentuk benar-benar berubah daripada buzzword kepada pemangkin produktiviti – dan menjadi asas kukuh untuk smart factory yang Malaysia sedang bina sekarang.