• 목록

Practical Q-Learning-Based Route-Guidance and Vehicle Assignment for OHT Systems in Semiconductor Fabs

본 논문은 다임리서치의 세 창립자가 저술하였으며, 반도체 제조 분야에서의 전문성과 혁신적인 접근 방식을 보여주고 있다. 본 논문은 IEEE Transactions on Semiconductor Manufacturing 2022년 발표 논문들 중 최고 논문으로 선정되었으며, 이는 다임리서치 팀이 반도체 제조 공정 및 기술 발전에 미친 영향력과 중요성을 인정받은 결과이다.

본 연구는 반도체 칩 제조 공장 (팹, FAB)에서 OHT(Overhead Hoist Transport)를 제어하는 새로운 방법을 제시한다. 팹에서는 OHT를 사용하여 자재를 이동시키는데, 이는 수백 대의 작은 차량들이 천장에 설치된 레일을 따라 이동하여 다양한 공정 설비 사이에서 반도체 관련 자재들을 운반하는 방식과 같다. 이러한 OHT가 설비 간 자재를 빠르게 전달하는 것이 공장 운영의 효율성을 높이는데 중요한 역할을 한다. 그러나 현재 사용되는 OHT의 이동 경로 지정 방식은 효율성 측면에서 한계가 있다.

이에 본 연구에서는 수백 대의 OHT를 동시에 효율적으로 관리할 수 있는 새로운 시스템을 제안한다. 본 시스템은 인공지능 기술의 한 종류인 강화 학습을 활용하여 OHT 운영 방식을 개선한다. 구체적으로, Q 러닝 (Q-learning) 기법을 사용하여 각 영역의 혼잡도를 분석하고, 이를 바탕으로 각 OHT가 수행할 운반 작업을 최적화한다. 이를 통해 OHT의 경로 설정과 운반 작업이 점차 개선되며, 시스템의 효율성을 높일 수 있다.

본 연구에서 제안한 방법은 기존의 방법들과 비교 실험을 통해 검증하였으며, 이를 통해 실제 제조 현장에서 적용 가능한 최적의 방법을 도출하였다.

특히, 본 연구에서 제시한 방법들은 상시 가동되는 대규모 제조 현장에서 매우 효과적인 성능을 발휘하였다. 이는 반도체 제조 공정의 원활하고 효율적인 운영을 지원할 수 있으며, 제조 현장의 생산성 향상에 기여할 것으로 기대된다.

This influential article was authored by the three founders of DAIM Research, showcasing their expertise and innovative approach in the field. The significance and quality of their work were recognized at a high level within the industry, as it was selected as one of the best papers published in IEEE Transactions on Semiconductor Manufacturing in 2022. This accolade underscores the importance and impact of the research conducted by the DAIM Research team in advancing semiconductor manufacturing processes and technologies.

We've come up with new ways to control robot vehicles in computer chip factories. These factories use a system called overhead hoist transport (OHT) to move materials around. It's like having hundreds of little vehicles running on tracks on the ceiling, carrying computer chip parts between different machines. Making sure these vehicles deliver parts quickly is super important for the factory to work well. The problem is, the current ways of telling these vehicles where to go aren't that great. So, we've created a better system that can handle hundreds of these ceiling vehicles at once. Our system uses a type of artificial intelligence called reinforcement learning. It's like the vehicles are learning from experience, getting better at their job over time. Specifically, we use something called Q-learning. This helps the system look at how busy different areas are and then decide which vehicle should pick up which delivery job. We've actually come up with several different versions of this idea. We tested them against the old ways of doing things to see which worked best. This helped us figure out which ones would be good to use in real factories. The cool thing is, our new methods work really well and they're fast enough to use in big, busy factories. This could help make computer chip production smoother and more efficient

* URL: https://ieeexplore.ieee.org/document/9759491