Ramai sebut AI dalam reka bentuk IC analog dan mixed-signal, tapi di mana sebenarnya ia tambah produktiviti untuk industri semikonduktor dan E&E Malaysia?
AI Dalam Rekabentuk IC Analog: Hype Atau Produktiviti Sebenar?
Pada 2024, pelaburan global dalam AI untuk pembuatan dan rekabentuk elektronik dianggarkan melebihi berbilion dolar setiap tahun. Di Malaysia, dari Kulim ke Penang hingga Melaka, kilang semikonduktor dan E&E berlumba-lumba memasukkan AI ke dalam setiap slaid pembentangan—dari reka bentuk IC hingga smart factory.
Masalahnya: banyak pelaburan AI bermula sebagai projek “mesti ada” untuk kelihatan moden, bukan kerana kes penggunaan yang jelas. Dalam rekabentuk IC analog dan mixed-signal (A/MS) khususnya, jurang antara buzzword AI dan peningkatan produktiviti sebenar masih besar.
Artikel ini mengupas secara kritikal di mana AI betul-betul memberi nilai dalam rekabentuk A/MS IC, dan bagaimana ia berkait terus dengan operasi pembuatan semikonduktor dan industri E&E Malaysia — dari kilang automotif hingga pengeluar elektronik pengguna.
Kenapa AI Dalam Rekabentuk A/MS IC Penting Untuk Kilang Malaysia
AI dalam rekabentuk A/MS IC bukan sekadar cerita R&D. Ia ada impak terus pada:
- Masa ke pasaran (time-to-market) untuk produk automotif, 5G, EV, dan IoT
- Yield dan kualiti dalam barisan pembuatan semikonduktor
- Kos reka bentuk dan penggunaan semula IP analog/mixed-signal merentas projek
Di Malaysia, syarikat seperti pemain MNC besar dan vendor tempatan Tier-2 bergantung pada A/MS IC untuk:
- Power management untuk server dan pusat data
- Sensor dan interface untuk automotive electronics
- RF front-end untuk komunikasi dan IoT
Rekabentuk A/MS terkenal sebagai:
- Sangat bergantung pada kepakaran individu senior
- Sukar diautomasi berbanding digital IC
- Penuh iterasi dan kerja ulangan yang memakan masa
Di sinilah AI masuk akal — bukan untuk menggantikan pereka, tetapi untuk menyerang kerja yang:
- Berulang
- Risiko tinggi silap
- Mengambil masa panjang tapi bernilai rendah
Empat Kawasan Di Mana AI Sebenarnya Memberi Nilai Dalam Rekabentuk A/MS
Menurut kerangka V-model rekabentuk sistem, ada empat jenis tugas yang sangat sesuai untuk AI:
- Analisis keperluan
- Model pengganti (surrogate models)
- Verifikasi
- Pencarian & dokumentasi
Di bawah ini saya pecahkan satu per satu, dan kaitkan dengan konteks kilang dan organisasi rekabentuk di Malaysia.
1. Analisis Keperluan: AI Sebagai “Mesin Cari Salah” Dalam Dokumen
AI paling matang hari ini ialah model bahasa besar (LLM) yang sangat mahir membaca dan memproses teks. Dalam world rekabentuk A/MS, dokumen keperluan dan spesifikasi boleh mencecah ratusan muka surat – terutama untuk produk automotif dan perubatan.
Apa yang AI boleh buat dengan baik:
- Kenal pasti kontradiksi dalam spesifikasi (contoh: satu bahagian kata 1.2 V, bahagian lain kata 1.8 V)
- Cari pendua yang mengelirukan
- Tanda kekosongan keperluan – contohnya missing corner condition, safety margins, atau scenario suhu ekstrem
- Ringkaskan keperluan panjang menjadi senarai design targets yang jelas untuk pereka
Dalam konteks Malaysia:
- Kilang automotif dan EMS yang ikut standard seperti ISO 26262 atau IATF 16949 bergelut dengan dokumen besar dan audit.
- AI boleh bertindak sebagai pembantu quality yang menyemak dokumen awal sebelum audit atau review dalaman.
Realiti yang ramai silap faham:
AI bukan pengganti engineer sistem. AI ialah mesin yang mencari jarum dalam timbunan jerami, supaya jurutera boleh fokus pada keputusan teknikal, bukan kerja menyaring teks.
2. Surrogate Models: Neural Network Sebagai Model Laju Untuk Rekabentuk Awal
Dalam rekabentuk A/MS, model yang tepat dan cepat sangat kritikal. Masalahnya:
- Model fizik penuh (SPICE, parasitic, thermal) sangat perlahan untuk diterokai di peringkat sistem.
- Engineer sering lompat terus ke reka bentuk transistor-level berdasarkan “rule-of-thumb” dan pengalaman.
Akibatnya:
- Banyak iterasi design > layout > silicon > debug
- Masa projek meleret dan kos melambung
Di sinilah model pengganti (surrogate models) berasaskan AI masuk akal.
Neural network boleh dilatih menggunakan:
- Data simulasi sedia ada
- Data ujian silicon daripada lot terdahulu
untuk menghasilkan model yang:
- Cukup tepat di peringkat sistem
- Jauh lebih pantas untuk disimulasikan
Kegunaan praktikal dalam ekosistem Malaysia:
- Pusat rekabentuk yang menyokong kilang di Kulim/ Penang boleh:
- Guna surrogate model untuk optimumkan seni bina power management bagi server atau automotif sebelum turun ke transistor-level.
- Menilai trade-off awal antara kuasa, prestasi dan area (PPA) menggunakan model pantas.
Fokus jurutera berubah daripada “melukis setiap transistor” kepada:
- Pilih struktur model yang betul
- Pastikan ruang data latihan (design space) meliputi kondisi proses/temp suhu yang penting
- Bentuk proses reka bentuk yang boleh diulang dan diautomasi sebahagiannya
Bila dibuat betul, saya selalu lihat dua kesan utama:
- Iterasi reka bentuk berkurang dengan ketara
- Pengetahuan dimodelkan dalam bentuk yang boleh diguna semula di projek seterusnya
3. Verifikasi: AI Mempercepat Coverage Tanpa Mengorbankan Kualiti
Verifikasi A/MS ialah salah satu bottleneck terbesar dalam laluan ke production. Syarikat di Malaysia yang membekal kepada OEM global tahu perkara ini sangat menyakitkan:
- Pelanggan minta lebih banyak corner dan scenario diuji
- Masa ke pasaran pula makin pendek
AI boleh membantu di beberapa peringkat:
a) Model komponen yang dijana automatik
AI boleh:
- Menjana atau menambah baik model tingkah laku (behavioral model) berasaskan implementasi sebenar
- Update model bila layout berubah atau bila ada revision baru
Kesan terus:
- Simulasi sistem boleh berjalan jauh lebih pantas
- Jurutera boleh jalankan lebih banyak uji kaji “what-if” sebelum tape-out
b) Pemilihan dan penjanaan testcase yang lebih bijak
Dengan data verifikasi lepas, AI boleh:
- Kenal pola bug yang sering berlaku
- Cadang testcase tambahan untuk kawasan yang masih berisiko
Untuk kilang dan pasukan test di Malaysia:
- Data dari production test dan field returns boleh dipasangkan semula ke dalam aliran AI verifikasi reka bentuk.
- Hasilnya, design baru lebih tahan terhadap mode kegagalan yang pernah berlaku.
Ini sambungkan AI bukan sahaja dalam rekabentuk, tetapi sepanjang rantaian nilai semikonduktor – dari design ke manufacturing ke reliability di lapangan.
4. Pencarian & Dokumentasi: Dari Kerja “Menyakitkan” Jadi Aset Strategik
Hampir semua jurutera analog saya kenal ada perangai sama: hebat design, tetapi dokumentasi selalunya dibuat pada minggu terakhir sebelum release… kalau sempat.
Masalah dokumentasi yang lemah:
- IP analog sukar diguna semula
- Onboarding engineer baru makan masa berbulan
- Audit kualiti dan customer review jadi perit
Peranan AI yang praktikal:
Bayangkan satu “AI assistant” yang:
- Sentiasa “melihat dari belakang” aktiviti reka bentuk dalam EDA tools
- Rekod perubahan penting: parameter, pilihan seni bina, keputusan trade-off
- Sekali-sekala keluar pop-up ringkas: “Kenapa pilih topology ini berbanding X?” dan simpan jawapan
Hasilnya:
- Dokumentasi terbina sedikit demi sedikit, bukan sekali gus di hujung projek
- Semua justifikasi design disimpan dalam format boleh baca mesin dan boleh cari semula
Untuk organisasi rekabentuk dan kilang di Malaysia, manfaatnya ketara:
- Boleh kesan projek lepas yang ada blok serupa dan guna semula IP dengan lebih yakin
- Boleh kenal subject-matter expert dalaman dengan cepat bila ada masalah baru
- Kurang bergantung kepada “hero engineer” tunggal yang simpan semua ilmu dalam kepala
Bagaimana Kilang & Pusat Rekabentuk Patut Pilih Use Case AI Yang Betul
Kebanyakan syarikat buat silap di sini. Mereka mula dengan:
- Projek AI yang terlalu besar, terlalu abstrak
- Atau cuba automasi 100% kerja rekabentuk
Realitinya:
AI paling berbaloi apabila disasarkan kepada tugas yang kompleks, berulang, berisiko, dan menjengkelkan – bukan tugas yang perlukan kreativiti teras jurutera.
Beberapa prinsip praktikal untuk organisasi di Malaysia:
-
Mula dari data yang memang anda ada
Contoh: log simulasi, laporan verifikasi, production test, FMEA, field returns. -
Sasarkan micro-use case dengan ROI jelas, contohnya:
- 20% pengurangan masa review spesifikasi
- 30% pengurangan iterasi verifikasi sistem
- 50% pengurangan masa menyediakan dokumentasi release
-
Gabungkan pasukan domain + data + IT, bukan diserahkan 100% pada vendor luar.
-
Ukuran kejayaan mesti kuantitatif, seperti:
- Masa cycle reka bentuk
- Bilangan bug kritikal selepas tape-out
- Yield dan DPPM yang berkait dengan isu design
Bila ini disusun, AI bukan lagi projek demo untuk lawatan HQ atau kerajaan – ia jadi alat operasi harian.
Hubungan AI Dalam Rekabentuk A/MS Dengan Smart Factory Di Lantai Pengeluaran
Ramai lihat AI dalam reka bentuk dan AI dalam pembuatan sebagai dua dunia berbeza. Sebenarnya, syarikat yang paling berjaya di Malaysia sedang menyambungkan kedua-duanya.
Beberapa contoh aliran nilai hujung ke hujung:
-
Rekabentuk A/MS IC → Data verifikasi → Data production test → Data field
AI boleh menggunakan seluruh rantaian data ini untuk:- Perbaiki model pengganti
- Kenal weakness design yang hanya muncul di barisan pengeluaran Malaysia (contoh: variasi proses tempatan)
-
Smart factory yang mengurus recipe proses wafer boleh:
- Guna maklumat sensiviti design (daripada surrogate models) untuk tumpu kawalan proses pada parameter yang paling kritikal.
Ini bukan lagi cerita silo: AI dalam design, AI dalam factory, AI dalam supply chain. Bila disatukan, barulah tercapai apa yang banyak syarikat sebut sebagai “AI-driven manufacturing” – bukan sekadar dashboard cantik.
Dari Buzzword Ke Produktiviti: Apa Langkah Seterusnya Untuk Industri E&E Malaysia
AI dalam rekabentuk A/MS IC bukan magik. Ia juga bukan hype kosong. Nilai sebenar datang bila organisasi:
- Pilih masalah yang betul: analisis keperluan, surrogate modeling, verifikasi, dokumentasi
- Mula kecil tetapi fokus pada metrik produktiviti dan kualiti yang nyata
- Sambungkan reka bentuk dengan data kilang dan data lapangan
Bagi pemain E&E dan semikonduktor di Malaysia yang serius tentang AI dalam manufacturing, soalan yang wajar ditanya minggu ini, bukan tahun depan:
- Di mana dalam aliran rekabentuk A/MS kita ada kerja berulang yang cukup menyakitkan hingga berbaloi untuk diautomasi dengan AI?
- Data apa yang kita sudah ada, dan bagaimana nak “bersihkan” ia untuk kegunaan model AI?
- Projek perintis mana yang boleh menunjukkan hasil dalam 6–12 bulan, bukan 3 tahun?
Syarikat yang berani menjawab soalan ini dengan jujur akan bergerak pantas. Yang lain akan terus guna AI sebagai buzzword dalam slaid, sementara pesaing mereka menjadikan AI sebagai tool produktiviti sebenar dari reka bentuk hingga lantai pengeluaran.