This thesis addresses the temporary storage allocation policy for lot delivery with automated material handling system (AMHS) in semiconductor fabrication facilities (FABs). In general, it is ideal to deliver the front opening unified pod (FOUP), which contains 25 wafers, directly to the machine for the next step. However, due to the limited space of the machine buffer, it may not be transported to the destination machine. In this case, the wafer FOUP is temporarily stored in the storage system such as side track buffer (STB). The selection of the STB directly impacts the overall performance of the semiconductor FABs and AMHS.
In this research, we suggested factors to consider in the process of selecting storage. Based on this, we proposed an efficient storage allocation policy that considers specific scenarios occurring in the semiconductor FABs. This study used a reinforcement learning-based approach that applies to large-scale systems. Finally, we implemented the proposed policy in the testbed simulation, and results showed that the performance of the semiconductor FABs and AMHS were improved compared to the existing policies.
본 학위 논문에서는 반도체 공정 내 자동화 물류 시스템의 로트 반송을 위한 임시 저장소 운영 정책에 대하여 다룬다. 일반적으로 물류 반송 과정에서는 현재 장비에서 작업을 마친 웨이퍼 풉이 다음 목적 장비로 바로 이동하는 것이 이상적이다. 하지만 물량이 많고 장비 포트 공간이 제한적이기 때문에 웨이퍼 풉이 다음 목적 장비로 바로 이동하지 못하는 경우가 대부분이다. 이러한 경우, 웨이퍼 풉은 사이드 트랙 버퍼와 같은 임시 저장 공간으로 이동하게 된다. 이 때, 어느 위치에 있는 저장소를 선택하는지에 따라 반도체 공정 및 자동화 물류 시스템의 성능에 직접적인 영향을 끼치게 된다.
본 연구에서는 저장소를 선정하는 과정에서 고려해야할 요소를 제안하였다. 이를 기반으로 반도체 공정 내 발생하는 특정 상황을 고려한 효율적인 저장소 운영 정책을 제시하였다. 본 연구는 대규모 시스템에 적용할 수 있는 강화학습 기반의 방법론을 활용하였다. 마지막으로, 제시한 저장소 운영 정책을 기반으로 반도체 공정 및 자동화 물류 시스템의 성능이 기존 정책 대비 향상됨을 테스트베드 시뮬레이션을 통해 검증하였다.
