Chiplet kuantum tunjuk cara membina sistem sangat kompleks secara modular. Pendekatan sama boleh digunakan untuk AI kilang pintar elektronik, automotif dan semikonduktor.
Chiplet Kuantum & AI: Apa Kaitan Dengan Kilang Pintar?
Dalam 3 tahun terakhir, lebih RM25 bilion pelaburan baharu diumumkan dalam sektor E&E Malaysia – dari kilang cip di Penang hingga pusat R&D automotif di Selangor. Dalam masa yang sama, dunia kuantum dan AI sedang bergerak ke arah yang sama: senibina modular berasaskan chiplet.
Artikel teknikal daripada University of Innsbruck, Alpine Quantum Technologies dan Fraunhofer ISIT baru-baru ini menunjukkan bagaimana “quantum chiplets” digunakan untuk membina pemproses kuantum berasaskan trapped-ion berskala besar. Kalau anda terlibat dalam pembuatan elektronik, automotif atau semikonduktor, pendekatan ini sebenarnya sangat dekat dengan apa yang kita cuba capai dalam AI di kilang pintar.
Dalam tulisan ini saya akan jelaskan:
- Apa sebenarnya pendekatan chiplet untuk pemproses kuantum
- Kenapa ia penting sebagai model untuk reka bentuk sistem AI & kilang pintar
- Bagaimana ekosistem R&D kuantum mencerminkan kolaborasi AI dalam pembuatan di Malaysia
- Apa tindakan praktikal untuk pasukan kejuruteraan, operasi dan pengurusan kilang
Dari Monolitik Ke Modular: Apa Yang Berubah Dalam Pemproses Kuantum
Pendekatan asas dalam kertas tersebut mudah: berhenti cuba masukkan semua fungsi ke dalam satu cip monolitik dan beralih kepada modul kecil khusus yang digabungkan – chiplet.
Dalam pemproses trapped-ion:
- Qubit diwakili oleh ion terperangkap dalam microfabricated ion traps
- Sistem memerlukan optik berketepatan tinggi, elektronik kawalan frekuensi radio, gelombang mikro, dan fotonik terintegrasi
- Jika semua ini diintegrasi secara monolitik pada satu wafer CMOS, ia menghadapi had bahan, proses dan kos
Penyelidik Innsbruck dan rakan-rakan mengambil jalan lain:
1. Modul (chiplet) khusus fungsi
Setiap chiplet direka untuk tugas tertentu, contohnya:
- Surface ion trap pada substrat kaca yang sesuai dengan keperluan vakum dan permukaan
- Substrat silikon yang membawa gelombang pandu optik (waveguides) terintegrasi
- Susunan mikro-optik 3D dicetak untuk menumpukan cahaya ke setiap ion dengan ketepatan difraksi
2. Integrasi heterogen
Chiplet tersebut kemudian digabungkan secara fizikal dan optik, bukan lagi melalui satu aliran fabrikasi seragam. Ini membolehkan:
- Setiap modul guna bahan optimum (kaca, silikon, polimer optik, dsb.)
- Proses fabrikasi dioptimumkan mengikut fungsi – bukan dikunci oleh had CMOS sahaja
3. Skalabiliti dan naik taraf modular
Bila perlu fungsi baharu, anda tambah atau ganti sebahagian chiplet, bukan reka semula keseluruhan pemproses. Dalam demonstrasi mereka, sistem alamat individu untuk kristal 10 ion dibina dengan gabungan tiga dunia berbeza: kaca, silikon, dan optik 3D.
Inilah logik yang sama di belakang chiplet dalam CPU/GPU moden dan, lebih penting untuk kita, modular AI di kilang pintar.
Apa Yang Industri Pembuatan Boleh Belajar Daripada Quantum Chiplets
Pendekatan chiplet dalam pemproses kuantum menjawab soalan yang sama yang sedang dihadapi oleh pengeluar elektronik, automotif dan semikonduktor di Malaysia: bagaimana nak skala sistem yang sangat kompleks tanpa membunuh kos dan fleksibiliti?
1. Dari sistem “all-in-one” kepada seni bina modular AI
Banyak kilang masih cuba bina “satu sistem MES/SCADA/AI besar” yang buat semua benda:
- Pantau mesin
- Jalankan kesan ramalan (predictive maintenance)
- Kawal robotik
- Urus kualiti dan jejak lot
Hasilnya? Projek bertahun-tahun, kos meletup, dan sistem yang susah diubah.
Pendekatan chiplet mencadangkan sesuatu yang lebih praktikal: pecahkan fungsi besar kepada modul AI khusus yang boleh digabung dan diganti seperti blok Lego.
Contohnya, bagi sebuah kilang semikonduktor di Kulim:
- Satu modul AI untuk ramalan OEE berdasarkan data mesin
- Modul lain untuk pengesanan kecacatan berasaskan visi komputer pada pemeriksaan optik
- Modul berasingan untuk optimumkan jadual pengeluaran mengikut pesanan dan batasan mesin
Setiap modul boleh menggunakan model, data pipeline dan perkakasan inferens yang berbeza, tetapi bercakap melalui bus data dan API standard – sama seperti chiplet berkongsi interconnect dalam pakej pemproses.
2. Pilih teknologi “terbaik untuk tugas”, bukan “satu platform untuk semua”
Dalam kerja Innsbruck:
- Optik difabrikasi menggunakan proses 3D printing mikro yang langsung tak “CMOS-friendly”
- Trap ion dibuat atas substrat kaca, bukan silikon bulk standard
Jika mereka paksa semua ikut proses CMOS, prestasi qubit akan terhad.
Dalam kilang pula, kita sering paksa semua ikut:
- Satu platform data sahaja
- Satu vendor AI sahaja
- Satu jenis sensor sahaja
Pendekatan modular bermaksud:
- Gunakan kamera resolusi tinggi + model visi komputer di stesen pemeriksaan
- Guna sensor getaran murah + model ringan di edge untuk predictive maintenance
- Guna model pengoptimuman berasaskan AI/OR di lapisan perancangan
Semua ini diorkestrasi oleh lapisan integrasi data bersama (data broker, message bus, atau data lakehouse), bukan dipaksa muat dalam satu sistem monolitik.
3. Naik taraf bertahap, risiko terkawal
Chiplet kuantum membenarkan penjanaan fungsi baharu dengan tambah atau tukar subset module sahaja. Bagi kilang, ini bermaksud:
- Mula dengan 1–2 use case AI bernilai tinggi (contoh: scrap reduction di SMT line atau inspection di body shop automotif)
- Uji, "deploy", dan buktikan ROI
- Bila sudah stabil, tambah modul lain yang berkait – contohnya modul perancangan material atau kawalan tenaga
Tiada siapa yang perlu tunggu “mega project AI” siap untuk nampak nilai. Ini jauh lebih selari dengan budaya kejuruteraan Malaysia yang pragmatik: "buat sikit-sikit tapi jalan".
Microfabricated Ion Traps & Kilang Pintar: Paralel Yang Jarang Dicerita
Dalam kertas tersebut, pengkaji fokus kepada sistem alamat individu (individual-ion addressing) untuk 10 ion. Ini perlukan:
- Posisi fokus optik hingga ke had difraksi di setiap ion
- Penjajaran chiplet optik-silikon-kaca dengan toleransi mikrometer
Sekilas nampak sangat akademik. Tetapi bagi sesiapa yang bekerja di backend semikonduktor atau elektronik berketepatan tinggi, isu ini terasa sangat dekat:
Ketepatan fizikal vs kecerdasan sistem
- Dalam trapped-ion quantum processor, kalau pancaran laser tersasar sedikit, qubit tidak dikawal dengan betul → ralat logik kuantum
- Dalam kilang elektronik, kalau penjajaran die attach atau wire bonding lari sedikit, yield jatuh → kos meletup
Di kedua-dua dunia ini, AI dan automasi maju diperlukan:
- Visi komputer untuk pemeriksaan penjajaran waktu nyata
- Model AI untuk mengesan drift mesin sebelum ia menjejaskan kualiti
- Sistem data yang memetakan setiap variasi proses kepada hasil akhir
Secara konsep, alamat individu ion dan pengesanan kecacatan pada pad bersaiz mikron adalah masalah jenis sama: kawalan tepat dalam sistem sangat kompleks.
Heterogeneous integration vs kilang berbilang vendor
Chiplet kuantum perlu:
- Bahan berbeza (kaca, silikon, polimer)
- Proses fabrikasi berbeza
- Teknik pengemasan (packaging) khas
Kilang Malaysia pula:
- Mesin daripada pelbagai vendor Jerman, Jepun, Korea, US
- Sistem IT yang bercampur – lama dan baru
- Standard komunikasi yang tidak seragam
Dalam kedua-dua kes, isu utamanya integrasi, bukan komponen individu. Kilang yang berjaya dengan AI bukan yang ada model paling hebat, tapi yang:
- Boleh sambungkan PLC lama ke platform data moden
- Boleh satukan data SAP, MES, WMS dan sensor ke format yang boleh dilatih
- Boleh wujudkan lapisan orkestrasi antara robot, manusia dan model AI
Ekosistem R&D: Dari Innsbruck Ke Bayan Lepas
Satu lagi mesej penting dari kertas ini sebenarnya bukan teknikal, tetapi model kerjasama:
- University of Innsbruck → Kepakaran asas kuantum dan eksperimen
- Alpine Quantum Technologies GmbH → Produk & pengkomersialan
- Fraunhofer ISIT → Proses fabrikasi silikon dan teknologi pengemasan
Ini mencerminkan apa yang Malaysia perlu bina untuk AI dalam pembuatan:
1. Segitiga universiti – industri – pusat penyelidikan
Kita sudah ada benih:
- Universiti tempatan yang kuat dalam E&E dan data (UM, USM, UTM, MMU)
- MNC besar di Penang, Kulim, Melaka, Negeri Sembilan yang sedang melonjakkan penggunaan AI
- Agensi seperti MIMOS, SIRIM dan pelbagai CoE industri
Yang selalunya kurang ialah projek bersama yang konkrit, contohnya:
- Projek predictive maintenance bersama di satu line SMT sebenar
- Projek AI for visual inspection yang dikongsi data (yang sudah dinyah-identiti) dengan universiti
- Projek pengoptimuman tenaga kilang berasaskan AI di bawah geran bersama
2. Jadikan R&D sebagai “produk”, bukan sekadar laporan
Alpine Quantum bukan sekadar terbitkan kertas – mereka bina syarikat untuk jadikan teknologi chiplet kuantum sebagai produk komersial.
Dalam konteks AI di kilang Malaysia, ini bermaksud:
- Pasukan R&D dalaman jangan berhenti pada PoC yang cantik dalam PowerPoint
- Sasarkan modul AI yang boleh diulang guna di beberapa plant (contoh: modul OEE, modul visual inspection, modul energy optimization)
- Latih vendor tempatan supaya boleh servis dan kembangkan modul tersebut
Bagaimana Kilang Anda Boleh Mula Berfikir Seperti Pasukan Kuantum
Berikut beberapa langkah praktikal yang saya cadangkan, terinspirasi daripada pendekatan chiplet kuantum:
1. Reka “senibina chiplet” untuk AI kilang
Lakar secara ringkas:
- Modul AI apa yang anda perlukan dalam 12–24 bulan akan datang?
Contoh: pengesanan kecacatan, ramalan downtime, pengoptimuman jadual, perancangan tenaga. - Sumber data apa yang diperlukan untuk setiap modul?
Contoh: SCADA, PLC, kamera, ERP, sensor tambahan. - Bagaimana modul tersebut berhubung antara satu sama lain?
Gunakan standard API, message bus, atau broker data – bukan titik-ke-titik berserabut.
2. Pilih satu “chiplet AI” bernilai tinggi sebagai permulaan
Cari satu masalah yang:
- Mempengaruhi kos atau yield secara langsung
- Ada data sedia ada (walaupun kotor)
- Boleh diukur ROI dalam 6–9 bulan
Bangunkan modul AI yang fokus pada masalah itu sahaja, contohnya:
- Model visi komputer untuk membezakan solder joint OK/NG pada SMT
- Model klasifikasi untuk membezakan kegagalan mesin kritikal vs bukan kritikal
3. Bentuk pasukan kerjasama gaya Innsbruck–Alpine–Fraunhofer
Untuk setiap projek AI / automasi besar:
- Libatkan jurutera proses & maintenance (mereka tahu realiti mesin)
- Libatkan data/AI engineer (dalam atau luar syarikat)
- Libatkan rakan akademik atau pusat R&D bila ada isu lebih asas (contoh: pemodelan statistik kompleks, optimisasi besar)
Modelnya sama:
Universiti → teori & model
Industri → proses & data sebenar
Rakan teknologi → platform, integrasi & pengkomersialan
AI, Chiplet & Quantum: Arah Yang Sama Untuk Pembuatan Malaysia
Pendekatan chiplet untuk pemproses kuantum trapped-ion menunjukkan satu perkara jelas: sistem paling kompleks pun boleh diskalakan jika dipecahkan kepada modul yang betul dan digabung dengan cara yang pintar.
Untuk sektor pembuatan elektronik, automotif dan semikonduktor Malaysia, mesejnya sama:
- Jangan cuba bina "sistem AI all-in-one" yang kaku dan mahal
- Reka senibina modular di mana setiap fungsi – dari kualiti hingga penyenggaraan – adalah "chiplet" AI yang boleh dinaik taraf
- Galakkan ekosistem kerjasama antara kilang, universiti dan rakan teknologi, seperti model Innsbruck–Alpine–Fraunhofer
Jika pemproses kuantum yang mengurus qubit pada skala mikron boleh dibina secara modular, kilang pintar yang mengurus robot, manusia dan ratusan mesin juga boleh. Soalnya sekarang: adakah pasukan anda sudah merangka senibina "chiplet" untuk AI di plant sendiri, atau masih terperangkap dengan mimpi satu sistem besar yang susah diubah?