Bagaimana AI dan virtual twin membantu kilang semikonduktor di Malaysia meningkatkan yield, kurangkan scrap dan percepatkan masa ke pasaran secara praktikal.
AI & Virtual Twin: Senjata Baharu Tingkatkan Hasil Semikonduktor
Dalam kilang wafer moden, kehilangan 1% hasil boleh bersamaan dengan berjuta-juta ringgit setahun. Untuk pemain besar E&E di Malaysia – dari Penang hingga Kulim dan Melaka – isu hasil (yield) bukan sekadar masalah teknikal, tapi terus menyentuh P&L, daya saing global dan sasaran nasional sektor semikonduktor.
Artikel ini mengupas bagaimana gabungan kecerdasan buatan (AI), pembelajaran mesin (ML) dan virtual twin (kembar maya) sedang mengubah cara kita mengoptimumkan proses fabrikasi cip. Contoh yang dibawa oleh Lam Research melalui platform seperti Semiverse® dan Fabtex™ Yield Optimizer menunjukkan hala tuju kilang pintar yang sangat relevan dengan transformasi Industri 4.0 di Malaysia.
Saya akan fokus kepada satu persoalan utama: bagaimana AI dan virtual twin boleh mempercepatkan peningkatan yield, mengurangkan scrap, dan menyokong pelaburan bernilai bilion ringgit dalam E&E Malaysia?
Kenapa Kaedah Tradisional Yield Optimization Dah Tak Cukup
Realitinya, kebanyakan kilang semikonduktor masih bergantung kuat kepada:
- Ujian wafer fizikal berulang kali
- Analisis data proses secara manual
- Eksperimen satu demi satu pada peralatan proses
Pendekatan ini berdepan beberapa masalah besar:
1. Kos tinggi setiap wafer yang "dikorbankan"
Setiap wafer percubaan melibatkan:
- Masa mesin (tool time) yang mahal
- Bahan kimia, gas proses, mask, tenaga
- Tenaga kerja kejuruteraan dan operator
Untuk node yang lebih canggih, satu wafer boleh bernilai ratusan hingga ribuan dolar sebelum pun diuji di electrical test. Apabila eksperimen banyak kali salah arah, kosnya tidak kecil.
2. Proses lambat dan reaktif
Kitaran biasa:
- Jalankan eksperimen di kilang
- Tunggu wafer siap dan diuji
- Analisis data & cari punca
- Ulang dengan parameter baharu
Untuk isu proses yang kompleks, kitaran ini boleh memakan masa minggu hingga bulan. Dalam pasaran di mana pelanggan automotive atau elektronik pengguna mahu lead time singkat, kelewatan yield ini menekan jadual pelancaran produk.
3. Kompleksiti proses 3D moden
Cip hari ini penuh dengan:
- Struktur 3D, multi-layer, multi-patterning
- Rantaian proses panjang: lithography → etch → deposition → CMP → anneal dan seterusnya
Hubungan antara satu step proses dengan step lain sangat kompleks. Analisis manual mudah jadi seperti permainan "whack-a-mole": selesaikan satu isu, muncul isu baharu di tempat lain.
Kesimpulan jujur: kaedah tradisional yang bergantung 90% kepada wafer fizikal tidak lagi scalable untuk node moden dan volum tinggi.
Apa Sebenarnya Virtual Twin Dalam Pembuatan Cip
Virtual twin dalam konteks semikonduktor ialah salinan digital yang sangat tepat bagi:
- Struktur fizikal cip (3D features, vias, trenches, layer stack)
- Urutan proses sebenar dalam kilang (recipe, setpoint, susunan step)
Platform seperti SEMulator3D® menghasilkan model berasaskan fizik yang:
- Meniru pembentukan struktur cip layer demi layer
- Mengambil kira variasi proses (over-etch, non-uniformity, CD variation dan sebagainya)
- Boleh divalidasi dengan data sebenar dari metrology & SEM
Hasilnya ialah virtual silicon twin – model yang cukup tepat sehingga boleh digunakan untuk membuat keputusan proses, bukan sekadar visual cantik untuk slaid.
Mengapa ini kritikal untuk kilang di Malaysia?
- Ia membenarkan jurutera proses dan integrasi menguji ratusan senario tanpa menyentuh satu wafer pun.
- R&D boleh dibuat "di pejabat" sebelum apa-apa ditukar di lantai produksi.
- Untuk site yang menyokong beberapa lokasi global (contoh: Penang–Eropah–US), virtual twin memudahkan standard recipe dan pemindahan teknologi.
Di Mana AI & ML Masuk: Dari Data Banyak Kepada Keputusan Tepat
Virtual twin memberi "makmal digital". AI dan ML menjadikannya otak yang membuat kesimpulan pantas.
Cara gabungan AI + virtual twin berfungsi
-
Data dikumpul dari dua sumber utama:
- Data fab sebenar: log peralatan, metrology, electrical test, data OEE
- Data virtual: simulasi ribuan kombinasi proses melalui virtual twin
-
Model ML dilatih untuk:
- Kenal pasti pola halus yang manusia susah nampak
- Ramal kesan variasi proses terhadap yield atau kualiti
-
Gabungan dengan model fizik memberikan causality:
- Bukan sekadar "pattern recognition" ML yang kata: "bila A naik, yield turun"
- Tetapi juga menjelaskan kenapa: contohnya, over-etch 3% di step ke-7 menyebabkan thinning layer tertentu, yang membawa kepada via open selepas CMP.
Platform seperti Fabtexâ„¢ Yield Optimizer yang diumumkan Lam Research memanfaatkan pendekatan ini:
AI/ML + virtual silicon + model fizik = analisis punca akar (root cause) yang pantas dan boleh dipercayai.
Daripada pandangan saya, bezanya ketara:
- Sistem ML "biasa" hanya beri correlation.
- Gabungan ML + fizik memberi kisah lengkap: punca → mekanisme → kesan → cadangan pembetulan.
Kelebihan Utama Kepada Kilang Semikonduktor di Malaysia
Bila kita terjemah konsep ini ke realiti kilang di Kulim, Bayan Lepas atau Muar, beberapa faedah praktikal muncul.
1. Masa ke pasaran (time-to-market) jauh lebih pendek
Dalam fasa New Product Introduction (NPI), biasanya:
- Banyak kitaran eksperimen diperlukan untuk capai yield sasaran
- Pelanggan automotive/consumer sudah menekan jadual SOP
Dengan AI dan virtual twin:
- Isu yield boleh dikenal pasti lebih awal dalam NPI
- Banyak tuning dibuat sepenuhnya dalam dunia maya dahulu
- Bilangan percubaan wafer fizikal untuk "tune" recipe menurun secara dramatik
Kesan langsung:
- NPI lebih cepat siap
- Kilang Malaysia boleh menawarkan masa kelayakan produk yang lebih agresif – sesuatu yang pelanggan global sangat hargai.
2. Peningkatan yield yang serentak, bukan satu per satu
Pendekatan tradisional:
- Selesaikan satu mekanisme kerosakan (defect mode) pada satu masa
- Yield naik perlahan, 1–2% sepanjang beberapa bulan
Dengan AI + virtual twin:
- Boleh jalankan optimasi serentak untuk beberapa mekanisme yield detractor
- AI menilai trade-off: parameter mana beri peningkatan total yield terbaik
Hasilnya lebih kepada:
- "Lompatan" yield (contoh: +5–10% dalam tempoh lebih singkat) dan
- Kurang kitaran trial-and-error di fab.
3. Pengurangan scrap dan pembaziran bahan
Setiap wafer yang rosak di peringkat akhir proses menyakitkan hati:
- Nilai bahan mentah + masa mesin + tenaga kerja telah "terkunci" di dalamnya
Bila eksperimen dipindahkan ke virtual twin:
- Kurang wafer eksperimen fizikal diperlukan
- Kurang mask baru yang perlu dibuat hanya untuk ujian
- Penggunaan kimia & gas proses boleh dioptimumkan
Di tengah-tengah tekanan ESG dan kos utiliti yang naik di Malaysia, ini terus menyumbang kepada:
- Penjimatan kos operasi
- Jejak karbon yang lebih rendah
4. Utilisasi peralatan dan OEE yang lebih baik
Mesin lithography, etch dan deposition adalah aset capex yang sangat mahal. Setiap jam ia digunakan untuk eksperimen adalah jam yang tidak menghasilkan wafer jualan.
Dengan pendekatan berasaskan AI & virtual twin:
- Lebih banyak "what-if" dijalankan di alam maya, bukan atas mesin sebenar
- Peralatan process fokus kepada high-volume manufacturing (HVM)
Ini membantu pengilang di Malaysia:
- Menjana ROI yang lebih baik pada pelaburan capex
- Menyokong kes perniagaan untuk pelaburan baru (contoh: line untuk EV, AI chip, power device SiC/GaN)
Bagaimana Kilang di Malaysia Boleh Mula: Pendekatan Praktikal
Ramai pengurus kilang dan jurutera proses di Malaysia tertanya: di mana nak mula? Berdasarkan pengalaman transformasi digital dalam pembuatan, pendekatan berikut lebih realistik berbanding cuba "ganti semua sekaligus".
1. Pilih 1–2 use case yield yang bernilai tinggi
Contoh target praktikal:
- Isu via open/short di proses BEOL
- Variasi ketebalan layer kritikal yang menjejaskan device parametric
- Defect berkaitan process step etch atau deposition tertentu
Mulakan dengan:
- Defect mode yang kerap berlaku
- Mempunyai data proses dan metrology yang agak lengkap
- Kesan kewangan yang jelas bila diselesaikan
2. Bangunkan / guna virtual twin untuk aliran proses terpilih
Bekerjasama dengan vendor proses dan perisian untuk:
- Modelkan urutan proses sebenar (process flow) di kilang Malaysia
- Validasi model dengan data metrology dan SEM sedia ada
Matlamatnya bukan kesempurnaan 100%, tapi ketepatan cukup tinggi untuk buat keputusan kejuruteraan secara yakin.
3. Integrasi data fab ke platform AI/ML
Langkah kritikal yang sering diabaikan:
- Standardkan data dari pelbagai tool (format, timestamp, unit)
- Bersihkan data (data cleaning) dan wujudkan pipeline yang konsisten
Tanpa asas data yang kemas, AI hanya akan mengulang kekeliruan yang sama.
4. Bina pasukan hibrid: proses + data + IT/OT
Projek sebegini jarang berjaya kalau hanya digerakkan oleh satu fungsi.
Pasukan ideal:
- Jurutera proses & integrasi – faham fizik dan realiti mesin
- Data scientist / AI engineer – bangunkan model ML
- Pasukan IT/OT – pastikan integrasi selamat, patuh polisi syarikat
Berdasarkan apa yang saya lihat di banyak kilang, kombinasi inilah yang membezakan "projek pilot atas slaid" dengan penjimatan RM sebenar di P&L.
Hubungan Dengan Agenda Industri 4.0 & E&E Malaysia
Malaysia sudah menetapkan E&E sebagai tunjang ekonomi, dengan fokus kuat kepada:
- Kilang pintar (smart factory)
- Automasi dan robotik
- Kualiti dan kebolehpercayaan untuk automotive, medical, industrial
AI dan virtual twin dalam semikonduktor bukan projek niche R&D. Ia menyokong terus:
- Daya saing global: bila kilang di Malaysia mampu capai yield tinggi dengan lebih cepat, HQ global akan lebih yakin menempatkan produk bernilai tinggi di sini.
- Pembangunan bakat: jurutera proses, data dan automasi Malaysia mendapat pendedahan teknologi AI pembuatan yang setaraf hub utama dunia.
- Pelaburan baru: MNC yang sudah ada di Malaysia (dalam elektronik, automotive, semikonduktor) akan nampak ekosistem tempatan lebih matang dari segi AI dalam pembuatan.
Dalam siri "AI in Manufacturing (Electronics, Automotive, Semiconductor)", tema yang berulang ialah: AI bukan lagi aksesori – ia sudah jadi utiliti asas kilang moden, sama seperti elektrik dan compressed air.
Penutup: Kilang Cip Yang Lebih Pantas, Lebih Pintar, Lebih Lestari
AI dan virtual twin sedang mengubah cara dunia mengurus yield semikonduktor. Bukannya menggantikan jurutera, tetapi mengangkat keupayaan mereka dengan:
- Pencarian punca akar yang lebih laju dan lebih tepat
- Keupayaan mencuba ratusan senario tanpa membuang satu wafer pun
- Pandangan menyeluruh terhadap trade-off proses merentasi puluhan step
Bagi pengeluar cip di Malaysia yang menyasarkan produk AI, automotive dan industri berkeperluan tinggi, inilah arah yang masuk akal – teknikal dan komersial. Kilang yang menggabungkan AI, ML dan virtual twin akan:
- Sampai ke sasaran yield lebih awal
- Mengurangkan pembaziran dan kos operasi
- Menjadi rakan pilihan pelanggan global yang tak boleh bertolak ansur dengan kegagalan field return
Jika anda sedang merancang pelaburan kilang pintar untuk 2026–2028, soalan sebenar bukan lagi "perlukah kita guna AI untuk yield?" tetapi "di proses mana kita mula dulu, dan pasukan mana yang akan memacu perubahan ini?"