TabNet 기반의 반도체 재공재고 수준의 조기예측과 해석 (TabNet-based Early Prediction and Interpretation of Work-in-process Inventory for Semiconductor Manufacturing)

서지정보

· 발행기관 : 한국정보과학회
· 수록지 정보 : 정보과학회논문지 / 49권 / 6호 / 466 ~ 474페이지
· 저자명 : 방성진, 고해지, 이상민

초록

본 연구는 정형 데이터에 효과적인 딥러닝 모델인 TabNet을 활용하여 반도체 공장 내 재공재고(Work-in-process)의 평균 및 최대 수준을 조기 예측한다. 생산공정 중에 있는 재공재고의 추정 문제는 공장 인프라 설비의 확장 계획과 직결되어, 과소/과대 예측할 경우 생산활동을 제약하거나 불필요한 비용을 가중시킨다. 이러한 문제해결을 위해 본 연구에서는 재공재고의 평균과 최대 수준을 정확히 예측함과 동시에 재공재고 수준의 변화의 주요원인 분석용 해석 프레임워크를 제공한다. 특히, 정확도 높은 조기예측을 위해 TabNet 활용을 제안하였으며 다수의 기계학습 모델과 비교실험을 진행하여 재공재고 평균 수준에 대해서는 R2 0.86, 재공재고 최대 수준에 대해서는 R2 0.95의 높은 정확도를 획득하였다. 또한 모델 불특정 해석기법인 SHAP을 활용하여 해석 프레임워크를 함께 제안하였다.

영어초록

In this study, we propose using TabNet, a deep learning model effective for tabular dataset, to predict the average and maximum levels of WIP (work-in-process) in semiconductor plant.
The WIP estimation is an essential problem for decision-making to expand factory infrastructure facilities, because the under- or over-estimation of WIP causes production inefficiency and unnece ssary costs, resulting in production loss. To resolve this problem, we here present a framework, which accurately predicts the average and maximum level of WIP and analyzes the main causes of changes in the level of WIP. We conducted experimental studies to show the outperformance of TabNet with competitive machine-learning methods. Experimental results show that the proposed approach obtained R2 0.86 and 0.95 for the average level of WIP and the maximum level of WIP, respectively. Further more, a model-agnostic interpretation method, Shapley additive explanations, was used to identify the significant variables for predictions.

참고자료

· 없음