論文の概要: Semiconductor Fab Scheduling with Self-Supervised and Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2302.07162v1
• Date: Tue, 14 Feb 2023 16:15:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-15 14:58:17.712592
• Title: Semiconductor Fab Scheduling with Self-Supervised and Reinforcement Learning
• Title（参考訳）: 自己監督型強化学習による半導体ファブリックスケジューリング
• Authors: Pierre Tassel, Benjamin Kov\'acs, Martin Gebser, Konstantin Schekotihin, Patrick St\"ockermann, Georg Seidel
• Abstract要約: 近年のチップ不足は、グローバルサプライチェーンにおける半導体の重要性を強調している。 新規工場建設に必要な投資コスト、環境影響、時間スケールのため、需要が急増するにつれて生産量を増やすことは困難である。 本研究は, 半導体製造設備の高効率化と自己教師型学習により, 半導体製造設備をより効率的にスケジュールする手法を提案する。
• 参考スコア（独自算出の注目度）: 3.849431550194473
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semiconductor manufacturing is a notoriously complex and costly multi-step process involving a long sequence of operations on expensive and quantity-limited equipment. Recent chip shortages and their impacts have highlighted the importance of semiconductors in the global supply chains and how reliant on those our daily lives are. Due to the investment cost, environmental impact, and time scale needed to build new factories, it is difficult to ramp up production when demand spikes. This work introduces a method to successfully learn to schedule a semiconductor manufacturing facility more efficiently using deep reinforcement and self-supervised learning. We propose the first adaptive scheduling approach to handle complex, continuous, stochastic, dynamic, modern semiconductor manufacturing models. Our method outperforms the traditional hierarchical dispatching strategies typically used in semiconductor manufacturing plants, substantially reducing each order's tardiness and time until completion. As a result, our method yields a better allocation of resources in the semiconductor manufacturing process.
• Abstract（参考訳）: 半導体製造は複雑でコストのかかる多段階プロセスであり、高価で量に制限のある機器の長い操作を含む。 最近のチップ不足とその影響は、グローバルサプライチェーンにおける半導体の重要性と、私たちの日常生活への依存度を強調している。 新規工場建設に必要な投資コスト、環境影響、時間スケールのため、需要が急増するにつれて生産量を増やすことは困難である。 本研究は,深層補強と自己教師付き学習を用いて半導体製造設備のスケジューリングをより効率的に行う手法を提案する。 複雑な,連続的,確率的,動的,現代的な半導体製造モデルを扱うための,最初の適応スケジューリング手法を提案する。 本手法は,半導体製造プラントにおける従来の階層的ディスパッチ手法よりも優れ,各オーダーの難易度と完了までの時間を大幅に低減する。 その結果,半導体製造プロセスにおける資源配分の精度が向上した。

関連論文リスト

• Autonomous, Self-driving Multi-Step Growth of Semiconductor Heterostructures Guided by Machine Learning [18.996669691068877]
  SemiEpiは、マルチステップで分子線エピタキシー(MBE)成長を実行し、継続的に監視し、オンザフライでフィードバックを制御できる自動運転自動化プラットフォームである。 InAs/GaAs量子ドット(QD)ヘテロ構造の成長を標準化し、最適化し、ML誘導マルチステップ成長のパワーを示す。
  論文  参考訳（メタデータ） (2024-08-07T02:19:17Z)
• High-coherence superconducting qubits made using industry-standard, advanced semiconductor manufacturing [0.0]
  工業的製造法を用いて300mmCMOSパイロットラインで製造されたトランスモン量子ビットを初めて示す。 我々は,コヒーレンス,収量,変動性,老化など,我々のアプローチの妥当性を検証した大規模統計研究について述べる。 この結果により、超伝導量子コンピューティングプロセッサのより信頼性が高く、大規模で、真のCMOS互換な製造が誕生した。
  論文  参考訳（メタデータ） (2024-03-02T21:10:06Z)
• GrowLength: Accelerating LLMs Pretraining by Progressively Growing Training Length [65.24730341801468]
  本稿では,大規模言語モデルの事前学習プロセスを促進するために,Growlength'という,新しい,シンプルで効果的な手法を提案する。 本手法は,事前学習期間を通じてトレーニング期間を段階的に延長し,計算コストを軽減し,効率を向上する。
  論文  参考訳（メタデータ） (2023-10-01T05:25:24Z)
• Machine Learning Meets Advanced Robotic Manipulation [48.6221343014126]
  本論文は、最先端技術と、実世界の操作タスクに適用された機械学習手法の最近の動向についてレビューする。 論文の残りの部分は、産業、医療、農業、宇宙、軍事、捜索救助など、さまざまな分野におけるML応用に費やされている。
  論文  参考訳（メタデータ） (2023-09-22T01:06:32Z)
• Optimizing the switching operation in monoclonal antibody production: Economic MPC and reinforcement learning [0.0]
  モノクローナル抗体(mAbs)は、医学において欠かせない存在であり、現在、生物医薬品開発の最前線にある。 工業的なmAb生産のプロセスのほとんどはバッチ処理に依存しており、結果として大幅なダウンタイムが発生する。 完全に継続的かつ統合された製造プロセスへの移行は、製品の生産量と品質を高める可能性を秘めている。
  論文  参考訳（メタデータ） (2023-08-07T22:12:48Z)
• Hybrid ASP-based multi-objective scheduling of semiconductor manufacturing processes (Extended version) [6.422585107162331]
  具体的要件を取り入れることで,現実的な半導体製造プロセスのスケジューリングに対処する。 製造工程を局所的にアロケーションでスケジューリングする既存の手法とは異なり、大規模スケジューリングの可能性について検討する。
  論文  参考訳（メタデータ） (2023-07-27T12:08:46Z)
• Concepts and Algorithms for Agent-based Decentralized and Integrated Scheduling of Production and Auxiliary Processes [78.120734120667]
  本稿ではエージェントベースの分散型統合スケジューリング手法について述べる。 要求の一部は、線形にスケールする通信アーキテクチャを開発することである。 このアプローチは、工業的要件に基づいた例を使って説明されます。
  論文  参考訳（メタデータ） (2022-05-06T18:44:29Z)
• Where Is My Training Bottleneck? Hidden Trade-Offs in Deep Learning Preprocessing Pipelines [77.45213180689952]
  ディープラーニングにおける前処理パイプラインは、トレーニングプロセスを忙しくするための十分なデータスループットの提供を目的としている。 エンドツーエンドのディープラーニングパイプラインのためのデータセットを効率的に準備する新たな視点を導入する。 チューニングされていないシステムに比べてスループットが3倍から13倍に向上する。
  論文  参考訳（メタデータ） (2022-02-17T14:31:58Z)
• Continuous Transition: Improving Sample Efficiency for Continuous Control Problems via MixUp [119.69304125647785]
  本稿では,連続的遷移を構築するための簡潔かつ強力な手法を提案する。 具体的には、連続的な遷移を線形に補間することにより、トレーニングのための新しい遷移を合成することを提案する。 また, 建設過程を自動案内する判別器を開発した。
  論文  参考訳（メタデータ） (2020-11-30T01:20:23Z)
• Coherent superconducting qubits from a subtractive junction fabrication process [48.7576911714538]
  ジョセフソントンネル接合は、量子ビットを含むほとんどの超伝導電子回路の中心である。 近年、サブミクロンスケールの重なり合う接合が注目されている。 この研究は、高度な材料と成長プロセスによるより標準化されたプロセスフローへの道を開き、超伝導量子回路の大規模製造において重要なステップとなる。
  論文  参考訳（メタデータ） (2020-06-30T14:52:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。