Stöckermann 2025 · Fab 배차 시뮬레이션
Scalability of reinforcement learning methods for dispatching in semiconductor frontend fabs: a comparison of open-source models with real industry datasets
공개 benchmark와 산업 데이터 기반 fab를 이산사건 시뮬레이션으로 비교한다. 납기·완료량·WIP·장비 제약을 함께 고려한 배차 정책을 평가한다.
Patrick Stöckermann; Henning Südfeld; Alessandro Immordino; Thomas Altenmüller; Marc Wegmann; Martin Gebser; Konstantin Schekotihin; Georg Seidel; Chew Wye Chan; Fei Fei Zhang
The International Journal of Advanced Manufacturing Technology 139, 4395–4415 · 2025
원문에서 읽은 핵심
근거와 조건세 종류 fab 모델을 같은 simulator에서 비교하여 장비 가용성·batching·setup·reentrant flow·고장 불확실성을 표현한다. 근거 유형: 산업 데이터 기반 시뮬레이션.
Lot의 fab/step due date, 대기시간, 대체장비, 처리·setup·잔여시간, wafer 수와 batch 충족도를 입력으로 사용한다. 근거 유형: 모델 상태·행동.
목표는 지연 감소이며 completed wafers와 WIP 내부 지연을 함께 보상/비용에 넣는다. 산업 cost는 총 지연 비율에 throughput 역비율 제곱을 결합한다. 근거 유형: 최적화 모델.
PPO는 이 설정에서 Minifab의 개선을 보이며 CMA-ES는 큰 산업 시나리오에 더 잘 확장된다. 논문은 산업 시나리오의 지연 최대 4%·throughput 최대 1% 개선을 요약한다. 근거 유형: 시뮬레이션 성능.
제어 장비의 조합과 전후 공정의 WIP 공급이 batching 개선을 좌우한다. Loading·고장 seed가 바뀌면 성능 분포도 바뀐다. 근거 유형: 일반화·상호작용 실험.
산업 학습은 64 CPU cores·core당 5 GB를 사용해 2주 이상 걸렸다. PPO의 긴 episode는 관측 trajectory 메모리 비용을 늘린다. 근거 유형: 계산 자원 조건.
The throughput is the number of completed wafers for the entire episode.
그림으로 읽는 논문
배차 정책과 이산사건 simulator의 관측·행동·KPI 연결. PPO/CMA-ES의 학습 구조를 비교한다.
Lithography를 제어한 CMA-ES 학습. Minifab·SMT2020·산업 시나리오를 각 baseline 대비 지연·완료 wafer 수로 비교한다.
산업 loading별 일반화 시험. 학습에 사용한 조건과 새로운 조건에서 지연·완료량 개선의 분포를 구분한다.