다수의 반도체 제조 공정(팹)에서는 차량 체류 정책에 관한 의사결정을 시뮬레이션 기반으로 선호하는데, 이는 팹의 확장성 및 복잡성을 포착할 수 있기 때문이다. 차량 체류 정책은 자동화 자재 이송 시스템(AMHS)에서 유휴 차량을 베이 내(intra-bay) 루프와 외부(outer) 루프에 배정하여, 운송 수요에 신속히 대응하도록 한다. 팹이 제품 믹스의 변화 등, 즉 상당한 변동을 경험할 때는 차량 체류 정책을 제어하려는 동기가 생긴다. 팹 운영자는 수많은 잠재적 해에 대해 대규모 시뮬레이션을 실행하는 데 시간이 많이 소요되므로, 수동으로 설계된 후보 해를 평가한다. 차량 체류 정책을 결정하기 위해, 우리는 클래스 기반 클러스터링을 결합한 베이지안 최적화(BO) 기반의 시뮬레이션 최적화 접근을 제안한다. BO는 대리모형과 획득 함수(acquisition function)를 기반으로 효율적인 차량 체류 정책을 적응적으로 추적한다. 클래스 기반 클러스터링은 베이를 소수의 클래스에 군집화함으로써 설계 공간의 고차원을 완화한다. 설계 공간의 복잡성과 해의 품질 사이의 균형을 도모함으로써, 제안하는 정책은 효율적인 차량 체류 정책을 도출하는 데 필요한 시뮬레이션 실행 횟수를 유의미하게 감소시킨다. 우리는 클래스 기반 클러스터링을 적용한 BO가 유전 알고리즘(GA) 및 휴리스틱을 사용하는 것보다 더 유리하다고 결론내린다. Note to Practitioners — 본 연구는 반도체 웨이퍼 팹의 AMHS에서 최적 차량 체류 정책을 위한 시뮬레이션 기반 의사결정의 어려움에 의해 동기부여되었다. 기존 연구에서는 팹의 운영 계획에 대해 시뮬레이션 분석이 효과적임을 입증해 왔으나, 차량 체류 정책에 대한 시뮬레이션 최적화는 시뮬레이션 실행에 따른 막대한 계산 부담과 팹에서의 제어 변수 수 증가에 따른 대규모 설계 공간 때문에 여전히 문제적이다. 따라서 우리는 클래스 기반 클러스터링을 적용한 BO를 이용한 시뮬레이션 최적화 접근을 개발한다. 제안된 접근은 효율적인 차량 체류 정책을 얻기 위해 필요한 시뮬레이션 실행 횟수를 유의미하게 줄여, 납기 시간과 차량 활용률이 감소하는 결과를 가져온다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.