• 목록

[일시] 2025.03.10

[리뷰 논문]
- Hyperparameter Tuning with Gaussian Processes for Optimal Abstraction Control in Simulation-based Optimization of Smart Semiconductor Manufacturing Systems
- Simulation-based dynamic origin–destination matrix estimation

[요약]
본 세미나는Gaussian Process와 Bayesian Optimization을 활용하여 Simulation Optimization을 달성하는 2 가지 논문을 소개한다. 첫번째 논본 논문은 반도체 제조 공정 최적화를 위한 시뮬레이션 기반 최적화(SBO) 방법을 제안한다. AACS(Adaptive Abstraction Convertible Simulation은 공정이 안정상태일 때는 Lookup Table을 활용하여 시뮬레이션의 속도를 향상시키고, 불안정 상태일 때는 Discrete Event Simulation을 수행하여 정확도를 향상시킨다. 본 연구는 AACS에서의 속도와 정확성 Trade off 관계에서 최적 지점을 이를 위해 하이퍼파라미터 튜닝 기법을 도입하여 속도를 최적화하고, Gaussian Process(GP) 모델을 사용해 하이퍼파라미터 후보의 성능을 예측함으로써 최소한의 시뮬레이션으로 최적화 성능을 향상시켰다.. GA(유전 알고리즘) 기반의 최적화 방법을 적용하여, 대규모 웨이퍼 제조 공정의 로트 투입 간격 최적화에 성공적으로 적용했으며, 기존 방법에 비해 실행 시간을 단축시키고 성능을 향상시켰다.
두번째 논문은 고속도로 네트워크에서 동적 OD(출발-도착) 행렬을 추정하기 위해 대리 기반 최적화(SOA)를 활용한 새로운 방법을 제안한다. 기존 시뮬레이션 모델들은 넓은 넓은 최적해 탐색 공간과, 높은 연산 비용이라는 한계를 가진다. 이를 극복하기 위해 물리적 대리 모델(Physical Surrogate Model)과 함수적 대리 모델(Functional Surrogate Model, GP)을 결합하여 탐색 공간을 효과적으로 제한하고 최적화 성능을 향상시켰다. 또한, 투영 거리 기반 획득 함수(Projection-Distance Based Acquisition Function)를 설계하여 불필요한 탐색을 줄이고 연산 비용을 절감하였다. 실험 결과, 제안된 방법이 기존 기법(SPSA, Osorio 모델 등)보다 높은 정확도와 효율성을 달성하였다.

[녹화 영상 링크]
https://us02web.zoom.us/rec/share/byT1MBPc1MMKG8fYzxc7UIS7GiMIhT-lKUbJsNNQUG_WvwC08DSbwVnyw4zC6M68.a5N8_zJ7N4U6I9WA?startTime=1741579617000