Chiplet Kuantum & Masa Depan Smart Factory AI

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

Chiplet kuantum mengubah cara pemproses kuantum dibina – dan ia berkait rapat dengan AI, advanced packaging dan masa depan smart factory E&E di Malaysia.

chiplet kuantumAI dalam manufacturingsmart factory Malaysiaadvanced packagingtrapped-ion quantum processor
Share:

Mengapa Chiplet Kuantum Tiba-Tiba Jadi Penting Untuk Kilang AI

Dalam tempoh tiga tahun terakhir, pelaburan global untuk AI dan kuantum dalam industri semikonduktor mencecah berbilion dolar. Dalam laporan Q3 2025, lebih 75 syarikat cip mengumpul sekitar USD6 bilion hanya untuk projek AI dan kuantum. Ini bukan lagi projek R&D suka-suka – ini sedang membentuk semula cara kilang elektronik, automotif dan semikonduktor akan dibina.

Di Malaysia, kita sibuk bercakap tentang AI dalam manufacturing – dari visi mesin untuk pemeriksaan kualiti di Penang sampai robot kolaboratif di sektor automotif. Tapi ada satu lapisan yang ramai terlepas pandang: bagaimana generasi baru cip – termasuk pemproses kuantum berasaskan chiplet – akan mengubah ekosistem kilang pintar (smart factory) dalam 5–10 tahun akan datang.

Kajian terbaru oleh University of Innsbruck, Alpine Quantum Technologies dan Fraunhofer ISIT tentang "chiplet technology for large-scale trapped-ion quantum processors" sebenarnya memberi bayangan sangat jelas: masa depan kuantum bukan lagi satu cip besar monolitik, tapi modular, heterogenous dan sangat mirip dengan arah advanced packaging semikonduktor hari ini.

Artikel ini mengupas apa maksud pendekatan chiplet untuk pemproses kuantum, bagaimana ia berkait dengan AI dalam manufacturing, dan apa yang pemain E&E Malaysia patut mula rancang dari sekarang.

Apa Sebenarnya Pendekatan Chiplet Dalam Pemproses Kuantum

Pendekatan chiplet untuk pemproses kuantum ialah strategi membina sistem kuantum besar menggunakan modul kecil khusus (chiplet) yang dihubungkan melalui integrasi heterogen, bukan satu cip monolitik.

Dalam kertas teknikal tersebut, pasukan penyelidik fokus kepada platform trapped-ion quantum computing. Secara ringkas:

  • Qubit dibentuk daripada ion yang “terperangkap” dan dikawal dalam perangkap ion mikro (microfabricated ion traps)
  • Kawalan kuantum memerlukan kombinasi elektronik, optik berketepatan tinggi dan bahan khusus
  • Kebanyakan pendekatan sekarang cuba memuatkan semua ini dalam satu struktur monolitik berasaskan proses CMOS

Masalahnya, proses CMOS standard tidak dioptimumkan untuk keperluan pemproses kuantum jenis ini – dari segi bahan, optik, hingar elektrik dan suhu operasi.

Kenapa Chiplet Lebih Masuk Akal

Pendekatan chiplet yang dicadangkan membawa beberapa perubahan asas:

  1. Setiap chiplet ada fungsi khusus
    Contohnya:

    • Satu chiplet khas untuk perangkap ion di atas substrat kaca
    • Satu lagi chiplet silikon untuk waveguide fotonik bersepadu
    • Lapisan 3D micro-optics yang dicetak untuk fokuskan cahaya ke ion individu

  2. Setiap chiplet boleh guna teknologi fabrikasi terbaik untuk fungsinya
    Tak perlu paksa semua modul guna proses CMOS yang sama.

  3. Integrasi heterogen menyatukan semua modul ini
    Melalui teknik penyambungan lanjutan – konsep yang sangat dekat dengan 2.5D/3D IC, sub-micron hybrid bonding dan advanced packaging dalam industri semikonduktor konvensional.

Dalam demonstrasi mereka, pasukan ini menunjukkan sistem pengalamatan optik untuk kristal 10 ion, dengan titik fokus cahaya pada had difraksi (diffraction-limited). Ini bukti praktikal bahawa seni bina modular chiplet bukan sekadar teori – ia boleh dicapai di makmal hari ini.

Apa Kaitan Chiplet Kuantum Dengan AI Dalam Manufacturing

Ini persoalan utama untuk pembaca dalam sektor elektronik, automotif dan semikonduktor: apa kena-mengena semua ini dengan kilang saya?

Realitinya, trajektori kuantum sedang menyalin semula trajektori semikonduktor klasik menuju ke arah multi-die, chiplet dan advanced packaging – dan ini akan memberi kesan langsung kepada reka bentuk kilang pintar yang berasaskan AI.

1. Seni bina chiplet = asas integrasi AI + kuantum

Dalam 10 tahun akan datang, senario yang semakin realistik ialah:

  • AI klasik (GPU/ASIC) mengendalikan kerja inferens dan kawalan masa nyata di kilang
  • Pemproses kuantum khusus (mungkin di awan, mungkin on-prem untuk pemain mega) menangani:
    • Pengoptimuman jadual pengeluaran ultra kompleks
    • Penghalaan logistik dan penyimpanan bahan mentah
    • Simulasi bahan baharu untuk packaging, bateri EV atau komponen elektronik automotif

Untuk semua ini berfungsi, perlu ada cara standard dan berskala untuk menyepadukan modul kuantum dengan platform silikon klasik. Di sinilah pendekatan chiplet yang modular jadi sangat berharga:

  • Quantum chiplet boleh bergandingan dengan AI SoC melalui interposer atau modul canggih
  • Pengeluar sistem boleh membina modul pakej campuran (mixed package): die AI, die kawalan klasik, die fotonik dan die kuantum

Pendekatan yang sama sedang berlaku hari ini untuk HBM + GPU, RF + baseband, atau CPU + NPU. Kuantum hanya lapisan seterusnya.

2. Impak kepada reka bentuk dan operasi smart factory

Bila seni bina cip berubah, kilang terpaksa menyesuaikan:

  • Barisan advanced packaging perlu menyokong integrasi heterogen yang jauh lebih rumit (silikon + kaca + bahan optik khas + struktur 3D dicetak)
  • AI untuk kawalan proses perlu dilatih semula untuk memantau parameter baharu:
    • alignment optik sub-mikron
    • kestabilan mekanikal modul 3D
    • profil termal untuk bahan bukan konvensional
  • Sistem pemeriksaan kualiti (inspection & metrology) perlu naik taraf kepada imaging beresolusi tinggi, mungkin berasaskan fotonik dan AI vision serentak

Di Malaysia, di mana banyak kilang MNC sudah pun melabur dalam AI vision dan digital twin untuk SMT, backend assembly dan test, kelebihan jelas muncul kepada pemain yang awal mengadaptasi workflow untuk advanced heterogeneous integration.

3. AI sebagai “otak” pembangunan proses kuantum

Pembangunan pemproses kuantum berasaskan chiplet melibatkan:

  • ruang parameter fabrikasi yang sangat besar
  • interaksi kompleks antara medan elektrik, optik, haba dan mekanikal

AI – terutamanya physics-informed machine learning dan digital twin – sangat sesuai untuk:

  • mengoptimumkan reka bentuk perangkap ion dan waveguide
  • meramalkan yield apabila bahan baharu diperkenalkan
  • menala resepi proses dengan simulasi beribu-ribu kombinasi sebelum eksperimen sebenar

Bagi pemain OSAT atau IDM yang sudah menggunakan AI untuk DOE maya (virtual Design of Experiments), trending seterusnya ialah gunakan pipeline yang sama untuk modul kuantum dan fotonik.

Peluang Untuk Pengeluar Elektronik & Automotif Di Malaysia

Pengeluar di Malaysia tak perlu tunggu kuantum matang sepenuhnya sebelum bertindak. Ada beberapa langkah praktikal yang boleh diambil sekarang untuk bersedia.

1. Kukuhkan kepakaran advanced packaging & integrasi heterogen

Pendekatan chiplet kuantum sangat seiring dengan roadmap:

  • 2.5D/3D IC
  • sub-micron hybrid bonding
  • glass substrate
  • modul fotonik bersepadu

Langkah praktikal:

  • Melabur dalam talent packaging yang faham parasitic, stress, CTE mismatch dan reliabiliti untuk multi-bahan
  • Bina pasukan R&D kecil fokus kepada integrasi silikon + kaca + fotonik (bahan ini sama seperti dalam eksperimen pemproses kuantum trapped-ion)
  • Gunakan AI-driven process control dalam line advanced packaging sekarang – apa yang dipelajari boleh di-“port” ke modul kuantum/potonik kelak

2. Guna kilang AI hari ini sebagai “testbed” generasi akan datang

Ramai MNC di Malaysia sedang melaksanakan:

  • sistem MES pintar dengan analytics masa nyata
  • predictive maintenance berasaskan AI
  • robotik automotif dengan kawalan adaptif

Semua infrastruktur data ini – sensor, histori data proses, pipeline analitik – ialah asas kepada masa hadapan di mana algoritma kuantum akan duduk di atas stack AI sedia ada.

Contohnya, bila algoritma kuantum untuk pengoptimuman jadual (scheduling) mula praktikal:

  • Data OEE, waktu tukar line (changeover), dan constraint sebenar dari kilang Malaysia akan jadi input
  • Keputusan jadual yang dioptimumkan boleh terus diumpan semula ke sistem AI scheduling sedia ada

Syarikat yang sudah mempunyai data yang bersih, berstruktur dan boleh diakses akan jauh lebih mudah menguji dan mengguna pakai modul kuantum nanti.

3. Sertai ekosistem kolaboratif R&D serantau dan global

Kajian Innsbruck–Alpine Quantum–Fraunhofer menunjukkan satu perkara penting:

Kuantum + chiplet + fotonik memerlukan kolaborasi lintas disiplin dan lintas negara, bukan silo tradisional.

Untuk pemain Malaysia, strategi yang realistik ialah:

  • Bekerjasama dengan pusat penyelidikan serantau untuk projek kecil proof-of-concept melibatkan:
    • photonic packaging
    • integrasi kaca-silikon
    • 3D printed micro-optics untuk sensor atau modul AI vision
  • Menyertai konsortium atau program bersama rakan teknologi yang sudah mengintai aplikasi kuantum untuk:
    • reka bentuk bateri EV
    • kebolehpercayaan komponen automotif
    • pengoptimuman rantaian bekalan global

Pendekatan ini bukan sahaja sejajar dengan arah kuantum, tetapi terus memberi nilai komersial kepada produk konvensional.

Dari Makmal Ke Kilang: Bagaimana Transisi Ini Berlaku

Soalan biasa: bila semua ini akan betul-betul sampai ke lantai kilang?

Realitinya, kuantum berasaskan trapped-ion masih di fasa awal. Tapi kalau kita tengok sejarah:

  • GPU untuk AI mengambil masa kira-kira 5–8 tahun bergerak dari makmal ke produk arus perdana dalam data center dan edge
  • Advanced packaging seperti HBM stack juga bermula sebagai teknologi niche server sebelum menembusi automotive dan peranti pengguna

Pendekatan chiplet mempercepatkan transisi makmal-ke-kilang kerana ia membenarkan kitaran iterasi lebih pantas dan kos lebih rendah. Kenapa?

  • Tak perlu reka semula keseluruhan cip bila mahu uji fungsi baharu – cukup tukar satu atau dua chiplet
  • Boleh guna talian fabrikasi berbeza untuk modul berbeza, mengoptimumkan kos
  • Yield keseluruhan boleh ditingkatkan dengan mengasingkan fungsi paling kompleks ke modul yang lebih kecil

Bagi pengeluar Malaysia, isunya bukan "bila kuantum sampai", tetapi berapa bersedia infrastruktur AI dan advanced packaging anda bila ia sampai.

Apa Langkah Seterusnya Untuk Pemain E&E Malaysia

Saya sering nampak dua kesilapan: sama ada syarikat mengabaikan kuantum sebagai terlalu jauh, atau melompat terus ke hype tanpa asas teknikal. Ada jalan tengah yang lebih bijak.

Beberapa langkah konkret yang boleh diambil dalam 12–24 bulan akan datang:

  1. Masukkan kuantum dalam roadmap teknologi, tetapi diikat kepada use case AI/industri yang jelas, contohnya:

    • pengoptimuman jadual produksi
    • reka bentuk bahan untuk packaging atau bateri EV

  2. Perkuat kompetensi AI dalam manufacturing hari ini:

    • AI untuk SPC, yield prediction, dan predictive maintenance
    • Digital twin barisan pemasangan dan ujian

  3. Mulakan projek kecil berkaitan teknologi enabling untuk pemproses kuantum chiplet:

    • R&D awal untuk integrasi fotonik, kaca, atau micro-optics dalam modul sensor atau komunikasi
    • Trial advanced inspection berasaskan AI vision untuk struktur 3D halus

  4. Bangunkan pasukan teknikal lintas disiplin: packaging, fotonik, data/AI dan kejuruteraan proses duduk dalam satu meja bila bincang roadmap.

Pendekatan yang lebih matang bukan membayangkan "kilang kuantum" secara tiba-tiba, tetapi memastikan kilang AI yang anda bina hari ini boleh menyerap modul kuantum bila tiba masanya – sama seperti kilang yang dahulu hanya buat CPU kini sudah biasa memasang GPU, HBM, RF dan NPU dalam satu pakej.

Penutup: Dari AI ke Kuantum – Rantaian Yang Sama, Tahap Baharu

Pendekatan chiplet untuk pemproses kuantum trapped-ion yang ditunjukkan oleh University of Innsbruck dan rakan mereka sebenarnya mengesahkan sesuatu yang ramai jurutera sudah rasa:

Masa depan pengkomputeran – termasuk kuantum – akan dibina di atas asas advanced packaging, integrasi heterogen dan kilang pintar berasaskan AI.

Bagi ekosistem E&E Malaysia, ini bukan ancaman, malah peluang untuk memanjangkan kekuatan sedia ada dalam backend, OSAT dan smart factory ke dalam generasi teknologi seterusnya.

Jika anda sedang memimpin kilang elektronik, automotif atau semikonduktor di Malaysia, soalan yang patut ditanya hari ini bukan "bila kuantum akan matang?" tetapi:

"Sejauh mana barisan AI dan advanced packaging saya bersedia untuk menyambut modul kuantum bila ia bersedia?"

Jawapan kepada soalan itu akan membezakan siapa yang sekadar pembekal, dan siapa yang mengawal rantaian nilai baharu dalam era AI + kuantum.