반도체 팹의 OHT 네트워크에서 딥러닝 기반의 섹션 별 단기간 정체수준 예측 모델 (Deep Learning Based Short-term Congestion Prediction Model for Sections of OHT Network in Semiconductor FAB)

서지정보

· 발행기관 : 한국전자거래학회
· 수록지 정보 : 한국전자거래학회지 / 28권 / 4호 / 97 ~ 122페이지
· 저자명 : 김수희, 이동훈, 최이, 김관호

초록

최근 메모리 칩의 수요가 증가함에 따라 반도체 팹(FAB)에서 제조설비의 가동률 향상과 생산성 최대화를 위해 공정간에 웨이퍼를 자동 반송하는 Overhead hoist transport(OHT) 네트워크에 발생될 정체를 예측하는 것은 중요한 문제로 고려된다. 그러나, 대규모의 OHT 네트워크에서는 OHT의 웨이퍼 상/하차 작업의 빈번한 발생, OHT간 상호작용 등으로 인한 OHT 운영상황 파악의 어려움으로 인해 OHT 네트워크의 특정 구간인 섹션에 발생하는 단기간 정체를 예측하는 것은 매우 어려운 문제이다. 본 연구에서는 이러한 문제를 해결하기 위해 딥러닝 기반의 섹션 별 단기간 정체 예측 모델을 제안한다. 제안한 모델은 예측 대상 섹션과 인근 섹션들의 OHT 운영상황 및 단기간 미래에 예상되는 OHT 운영상황 정보와 예측 대상 섹션에 단기간 후에 발생하게 될 정체의 수준 사이의 숨겨진 패턴을 학습하여 예측 대상 섹션의 단기간 정체를 예측한다. 실제 대규모 반도체 팹을 모사한 시뮬레이터에서 생성한 데이터를 통해 실험한 결과, 예측 대상 섹션의 특징에 상관없이 기존의 정체 예측에 사용하는 SVR, LGB, XGB 기반의 예측 모델보다 높은 예측 성능을 보임을 확인하였다.

영어초록

Recently, as the demands of memory chips increase, the short-term congestion prediction of sections in the overhead hoist transports (OHT) network is essential to maximize utilization of equipment and productivity. However, the prediction of short-term congestion of the section in semiconductor FAB is a challenging problem since it is difficult to capture dynamic events, such as frequent loading/unloading tasks of OHTs and interactions between OHTs. Tore, this study proposes a deep learning-based short-term congestion prediction model. The proposed model trains the situations for target section and down-stream sections at the current and future times. As the experiment results using the dataset that is simulated for real-world environment from a simulator demonstrate that the proposed model outperforms the other machine learning-based models such as SVR, LGB, and XGB.

참고자료

· 없음