인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
학술저널
DBpia Top 10%
오류 신고하기해당 페이지 내 제목·저자·목차·페이지정보가 잘못된 경우 알려주세요!
피인용 0
초록·키워드
Scheduling semiconductor cluster tools is particularly challenging in concurrent processing environments, where wafers with diverse characteristics are processed simultaneously. Effective cooperative scheduling between the vacuum transfer module (VTM) robots and atmospheric transfer module (ATM) robots is essential because it directly impacts overall system throughput. However, traditional rule-based scheduling methods often degrade in performance under dynamic and complex conditions. To address this issue, this study proposes a multi-agent deep reinforcement learning (MADRL) framework in which the VTM and ATM robots are modeled as independent agents that jointly learn collaborative scheduling strategies without relying on expert-designed rules. Experimental results show that the learned scheduling strategies consistently outperform rule-based baselines-including heuristics commonly used in practice-in terms of throughput. Moreover, the proposed framework exhibits strong generalization capabilities under increased process complexity. These results highlight the potential of the MADRL-based approach as a rule-free, adaptive, and generalizable solution for optimizing scheduling in complex semiconductor manufacturing systems.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
UCI(KEPA) : I410-151-25-02-093856779
