보이지 않는 손실
고성능 반도체 장비가 물리적 한계까지 성능을 내는 경우는 드뭅니다. 병목은 하드웨어가 아니라 장비 내부의 스케줄입니다.
장비마다 고유한 제약 조건 아래에서 가동되기 때문에, 생산성 저하는 집계 통계 속에 가려지고 일상적인 보고 지표의 노이즈에 묻힙니다. 장비 내부의 비효율적인 작업 순서는 대기 상태와 유휴 챔버를 반복적으로 만들어 내고, 처리량을 매시간 조용히 깎아 냅니다.
규칙만으로는 부족한 이유
장비 내 스케줄링은 레시피, 챔버 상태, 웨이퍼 우선순위가 얽혀 해석적 최적해가 없는 NP-hard 문제입니다. 사람의 눈에는 똑같아 보이는 두 스케줄 사이에서도 생산성 차이는 20%를 넘을 수 있습니다.
규칙 기반 휴리스틱은 장비의 잠재력을 온전히 끌어내지 못하고, 레시피가 바뀔수록 성능이 떨어집니다. 제조사는 이미 엔지니어 팀을 투입해 장비 하나하나의 생산성을 쫓고 있지만, 일부 장비만 다룰 수 있을 뿐 넓게 흩어진 손실은 그대로 남습니다.
디지털 트윈에서 학습하는 스케줄러
크로노부스트는 디지털 트윈 시뮬레이터와 강화학습 에이전트를 결합해, 각 장비를 물리적 최적치까지 끌어올리는 스케줄을 찾아냅니다.
01
장비 모델링
챔버, 로봇, 레시피, 제약 조건까지 각 장비를 고정밀 디지털 트윈으로 재현해 AI 시뮬레이션을 준비합니다.
02
AI 모델 학습
수백만 회의 시뮬레이션으로 최적의 스케줄링 정책을 학습합니다. 에이전트는 어떤 규칙집으로도 담아낼 수 없는, 상황을 반영한 의사결정을 익힙니다.
03
실시간 스케줄링
학습된 모델이 양산 환경에서 1초 이내에 스케줄링 결정을 내립니다. 전 과정이 자동화되어 있으며 운영 데이터로 지속적으로 개선됩니다.
학습 기반 스케줄러가 바꾸는 것
- 레시피 변경과 공정 시간 변동에 즉시 적응하며, 수작업 개입이 필요하지 않습니다.
- 동일한 하드웨어에서 기존 규칙 기반·휴리스틱 스케줄러보다 높은 성능을 냅니다.
- 거의 즉각적으로 결정을 내리므로 스케줄러 지연으로 인한 처리량 손실이 없습니다.
- 지속 학습: 운영 데이터가 쌓일수록 성능이 계속 향상됩니다.
도입은 소프트웨어만으로 이루어집니다. 공정, 레시피, 하드웨어를 변경하지 않습니다.