반도체 생산관리는 여러 개의 프로세스가 여러 개의 설비에 할당되어야 하는 Job shop 방식으로 생산관리 방법 중 가장 어려운 것으로 꼽힌다. 반도체 칩 사이즈가 점점 줄어듦에 따라 실제 반도체 생산라인에서 하나의 제품을 만들기 위해서는 800 개가 넘는 프로세스를 진행해해야 하며 Bare wafer 투입부터 완제품에 가기까지의 소요시간(TAT: Turn Around Time)은 최대 7 개월이 걸린다.

최근 강화학습의 등장으로 생산관리 분야에서 시뮬레이션 기반으로 보상(Reward)을 최대화하는 새로운 스케쥴 방법론에 대한 연구가 나오고 있다. 하지만 실제 현업에서 생산관리 실무자들은 하루하루 정해진 물량이 정해진 프로세스 sequence 를 지나는지(cut off)를 관리하고 있다. Domain experts 는 장기간의 시뮬레이션을 통해 변동성이 많은 생산라인의 예측 시뮬레이션 결과를 믿는 것은 한계가 있다고 판단하고 있어 시뮬레이션은 현재 생산관리 자동화 분야에서 8 시간~24 시간 예측 부분에서만 제한적으로 활용되고 있다. 이 결과 실제 생산관리 전문가는 시뮬레이션보다 하루 동안 일어난 생산이 그들이 원하는 관점에서 이루어지는지 한 눈에 확인할 수 있는 솔루션이 필요하다는 니즈가 많다. 필자는 현업의 요구사항을 바탕으로 실제 반도체 Fab 에서 dispatching 된 log 를 머신 러닝으로 분석하여 Fab Automation 에 영향을 끼치는 decision making factor 를 한 번에 분석하고 보여줄 수 있는 솔루션에 대해 연구하였다.

본 연구는 복잡한 반도체 생산 스케쥴의 의사결정 팩터를 분석하고, 비전문가도 쉽게 알아볼 수 있는 의사결정 트리로 주요 특성을 시각화 하는 데 중점을 두었다. 이를 통해 반도체 Fab(생산시설) 스케줄을 결정하는 주요 인자를 파악하고, 자동화된 의사결정의 규칙과 휴리스틱 접근법의 차이를 이해할 수 있을 것이다. 또한, 고객 수요의 변화가 스케줄링에 미치는 영향을 분석하며, 비전문가도 이해할 수 있는 결과를 제공함으로써, 복잡한 생산라인을 단순화하고, 자동화된 생산라인 구축에 기여한다. 또한, 스케줄 의사결정 팩터를 파라메터화 함으로써 향후 스케줄의 방향성을 제시하여 장기적으로는 Autonomous Fab 을 구축하는 데 기반을 마련할 것으로 기대된다.